0

UNESP

Faculdade de Engenharia do Campus de Guaratinguetá

LUCIANO EUSTÁQUIO CHAVES

MODELOS COMPUTACIONAIS FUZZY E NEURO-FUZZY

PARA AVALIAREM OS EFEITOS DA POLUIÇÃO DO AR

GUARATINGUETÁ

2013
 1

LUCIANO EUSTÁQUIO CHAVES

MODELOS COMPUTACIONAIS FUZZY E NEURO-FUZZY

PARA AVALIAREM OS EFEITOS DA POLUIÇÃO DO AR

Tese apresentada à Faculdade de Engenharia do

Campus de Guaratinguetá, Universidade Estadual
Paulista, para a qualificação do título de Doutor
em Engenharia Mecânica na área de Projetos.

Orientador: Prof. Dr. Luiz Fernando Costa

Nascimento.

Co-orientadora: Profa. Dra. Paloma Maria Silva

Rocha Rizol.

GUARATINGUETÁ

2013
2
 3

DADOS CURRICULARES

LUCIANO EUSTÁQUIO CHAVES

NASCIMENTO: 23/01/1973 – Sete Lagoas / MG

FILIAÇÃO Nery Chaves

Neide Eustáquio da Silva

1996/1999 Curso de Graduação em Fisioterapia Universidade Católica de

Petrópolis- UCP

2000/2001 Curso de Especialização em Fisioterapia Respiratória, Irmandade de

Misericórdia Santa Casa de São Paulo-SP.

2004/2004 Especialização em Fisioterapia Respiratória e Terapia Intensiva,

Associação Brasileira de Fisioterapia Respiratória e Terapia Intensiva-
Assobrafir.

2006/2008 Curso de Pós-Graduação Stricto Sensu em Engenharia Mecânica, nível

Mestrado com área de concentração em Engenharia Biomédica, na
Faculdade de Engenharia do Campus de Guaratinguetá da Universidade
Estadual Paulista.

2009/2013 Curso de Pós-Graduação Stricto Sensu em Engenharia Mecânica, nível

Doutorado com área de concentração em Engenharia Biomédica, na
Faculdade de Engenharia do Campus de Guaratinguetá da Universidade
Estadual Paulista.
 4

Dedico com muito amor e carinho a minha esposa Alline e meus

filhos Lívia e Gabriel; aos meus pais Nery e Neide, irmãos
Luciana, Lúcio Nery e Elen, amigos de todas as horas.
 5

AGRADECIMENTOS

À Deus, pelo dom da vida e pela coragem para a luta, onde sou apenas um instrumento
para que Ele utilize de Sua autoridade para demonstrar seu amor...
ao Departamento de Engenharia Mecânica da UNESP – FEG, em especial ao Prof. Dr.
Luiz Fernando Costa Nascimento, por suas valiosas orientações;
à Profa. Dra. Paloma Maria Silva Rocha Rizol pela contribuição e esclarecimentos para
o aprimoramento desta tese;
ao Prof. Dr. Leonardo Mesquita de forma muito especial pelas observações e sugestões.
à Profa. Dra. Andréa Paula Penellupi de Medeiros, Profa. Dra. Maria Helena Baena de
Moraes Lopes e ao Prof. Dr. Marcos Abdo Arbex por doarem seu precioso tempo
participando desta banca.
à secretária do Departamento de Engenharia Mecânica, Rosiléa Ribeiro de Matos, pelas
informações fornecidas e atenção no seu atendimento;
aos funcionários da Seção de Pós-Graduação da FEG/UNESP, Regina Célia Galvão
Faria Alves, Maria Cristina Silva de Oliva, Renata Pereira da Rocha Barbosa e Rodrigo José
Nunes;
às funcionárias da biblioteca da FEG/UNESP, em especial a Ana Maria Ramos
Antunes, por sua contribuição no levantamento bibliográfico.
aos amigos, em especial ao Dr. Vinícius Ferreira de Souza, demais colegas, aos meus
familiares e a todos que direta ou indiretamente contribuíram para que essa tese fosse
realizada.
 6

“Sonhar o sonho impossível,

Sofrer a angústia implacável,
Pisar onde os bravos não ousam,
Reparar o mal irreparável,
Amar um amor casto à distância,
Enfrentar o inimigo invencível,
Tentar quando as forças se esvaem,
Alcançar a estrela inatingível:
Essa continua sendo a minha busca”.

Dom Quixote
 7

CHAVES, L. E. Modelos computacionais Fuzzy e Neuro-Fuzzy para avaliarem os efeitos

da poluição do ar. 2013. 112f. Tese (Doutorado em Engenharia Mecânica) - Faculdade de
Engenharia do Campus de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá,
2013.

RESUMO

O presente estudo teve por objetivo verificar a associação entre a exposição aos poluentes do
ar e o número de internações hospitalares por asma e pneumonia. Para a verificação foi
proposto desenvolver e validar modelos fuzzy (Mamdani) e neuro-fuzzy (Sugeno) e comparar
qual dos modelos apresenta uma melhor eficácia para a predição de internações. A
metodologia utilizada foi dividida em três módulos: limpeza e elaboração de dados,
elaboração do modelo fuzzy (Mamdani) e elaboração do modelo neuro-fuzzy (Sugeno). Foram
coletados dados reais de internações do DATASUS, os quais foram utilizados como saída do
modelo. Os dados de entradas foram os poluentes do ar material particulado (MP 10), dióxido
de enxofre (SO2), ozônio (O3) e a temperatura aparente (Tap). As saídas geradas pelos
modelos foram comparadas e correlacionadas com os dados reais de internações através do
Coeficiente de Correlação de Pearson. Para o estudo o nível de significância estatístico
adotado foi α = 5%. A acurácia dos modelos foi realizada utilizando a Curva ROC. Neste
estudo foi possível desenvolver e validar os modelos. O modelo neuro-fuzzy apresentou
melhor correlação do que o modelo fuzzy; porém a acurácia foi melhor para o modelo fuzzy.

Palavras-Chave: Poluição atmosférica. Lógica fuzzy. Neuro-fuzzy. Doenças respiratórias.

 8

CHAVES, L. E. Computational models Fuzzy and Neuro-Fuzzy to assess the effects of air
pollution. 2013. 112f. Thesis (Doctorate in Mechanical Engineering)-Faculdade de
Engenharia do Campus de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá,
2013.

ABSTRACT

This study aimed at investigating the association between exposure to air pollutants and the
number of hospital admissions for asthma and pneumonia. For such verification it was
proposed to develop and validate the Mamdani fuzzy and neuro-fuzzy (Sugeno) models and
compare which of the two provides better efficacy in predicting hospitalization. The
methodology was divided into three modules: data cleaning and preparation, elaboration of
the fuzzy model (Mamdani) and elaboration of the neuro-fuzzy model (Sugeno). Data were
collected from DATASUS actual admissions, which were used as the models output. The
input data were air pollutants particulate matter (PM10), sulfur dioxide (SO2), ozone (O3) and
the apparent temperature (Tap). The outputs generated by the models were compared and
correlated with the actual data of admissions through the Pearson Correlation Coefficient. In
this study the level of statistical significance adopted was α = 5%. The accuracy of the models
was performed using the ROC curve. In this study it was possible to develop and validate the
models. The neuro-fuzzy model showed better correlation than the fuzzy model, but the
accuracy was better for the fuzzy model.

Key-words: Atmospheric pollution. Fuzzy logic. Neuro-fuzzy. Respiratory diseases.

 9

LISTA DE FIGURAS

Figura 1 – Áreas relacionadas com IA .................................................................................. 21

Figura 2 – Gráficos comparativo da lógica clássica com a lógica fuzzy ................................. 24
Figura 3 –Representação dos conjuntos fuzzy. (a) Conjunto A, (b) Conjunto B, (c) Conjuntos
A˄B e A˅B ........................................................................................................................... 26
Figura 4 – Funções de pertinência fuzzy ............................................................................... 27
Figura 5 – Etapas de um sistema fuzzy .................................................................................. 28
Figura 6 – Modelo Mamdani ................................................................................................ 29
Figura 7 – Modelo Takagi-Sugeno ....................................................................................... 29
Figura 8 – Comparativo do neurônio biológico com o matemático ....................................... 31
Figura 9 – Rede de alimentação direta (fowardfeed) ............................................................. 33
Figura 10 – Algoritmo Back-Propagation para rede neural de três camadas ......................... 35
Figura 11 – Exemplo de modelo de rede neural .................................................................... 35
Figura 12 – Arquitetura de um sistema neuro-fuzzy .............................................................. 40
Figura 13 – Estrutura do ANFIS ........................................................................................... 44
Figura 14 – Mecanismo de inferência ................................................................................... 45
Figura 15 - Mapa do município de São José dos Campos ..................................................... 62
Figura 16 - Valores médios MP10 (CETESB) do ano de 2007 ............................................... 63
Figura 17 - Caminho para obter planilha DATASUS ............................................................ 64
Figura 18 - Arquivo para baixar planilhas DATASUS .......................................................... 64
Figura 19 - Arquivos para downloads para obter planilha DATASUS .................................. 65
Figura 20 - Planilha fornecida pelo DATASUS .................................................................... 65
Figura 21 - Planilha obtida do DATASUS ............................................................................ 66
Figura 22 - Planilha para gerar número de internações ......................................................... 66
Figura 23 - Planilha desenvolvida no programa Excel .......................................................... 67
Figura 24 – Sistema de inferência fuzzy Mamdani com quatro entradas e uma saída ............. 69
Figura 25 – Número de internações (muito baixo, baixo, médio, alto e muito alto) ............... 69
Figura 26 – Conjunto fuzzy para MP10 (BOA e REG: regular) .............................................. 70
Figura 27 – Conjunto fuzzy para O3 (BOA e INAD: inadequado) ......................................... 71
Figura 28 – Conjunto fuzzy para SO2 (BOA e INAD: inadequado) ....................................... 71
Figura 29 – Conjunto fuzzy para Tap (INAD: inadequado e BOA) ....................................... 72
Figura 30 – Regras fuzzy editadas no programa Matlab ........................................................ 73
 10

Figura 31 – Janela rule viewer gerada pelo Matlab ............................................................... 74

Figura 32 – Janela inicial do ANFIS..................................................................................... 76
Figura 33 – Conjuntos de dados para treinamento ................................................................ 76
Figura 34 – Dados a serem treinados (janela ANFIS) ........................................................... 77
Figura 35 – Geração FIS, janela do toolbox para gerar funções de pertinência ...................... 77
Figura 36 – Treinamento ...................................................................................................... 78
Figura 37 – Testando agora (test now) .................................................................................. 79
Figura 38 – Janela de treinamento ........................................................................................ 79
Figura 39 - Checagem ......................................................................................................... 80
Figura 40 – Estrutura do ANFIS ........................................................................................... 80
Figura 41 – Estrutura do modelo fuzzy Mamdani .................................................................. 83
Figura 42 – Gráficos da Curva ROC para MP10: A)Lag0, B)Lag1 e C)Lag2 ......................... 85
Figura 43 - Gráficos da Curva ROC para O3: A)Lag0, B)Lag1 e C)Lag2 ............................. 86
Figura 44 - Gráficos da Curva ROC para SO2: A)Lag0, B)Lag1 e C)Lag2 .......................... 87
Figura 45 – Tela de regras capturada do Matlab ................................................................... 88
Figura 46 – Tela capturada do Matlab com algumas regras................................................... 88
Figura 47 – Gráfico de superfície do número de internações relativo ao MP10 x Tap ........... 89
Figura 48 – Gráficos de análises- a) NInter x MP10 e b) NInter x MP10 ................................. 89
Figura 49 – Planilha com dados de entrada e saída para gerar modelos neuro-fuzzy .............. 90
Figura 50 - Gráficos da Curva ROC para MP10: A)Lag0, B)Lag1 e C)Lag2......................... 92
Figura 51 - Gráficos da Curva ROC para O3: A)Lag0, B)Lag1 e C)Lag2 ............................. 93
Figura 52 - Gráficos da Curva ROC para SO2: A)Lag0, B)Lag1 e C)Lag2 .......................... 94
Figura 53 – Tela capturada do Matlab .................................................................................. 95
Figura 54 – Tela capturada do Matlab .................................................................................. 95
Figura 55 – Gráfico de superfície do número de internações relativo ao MP10 x SO2 ............ 96
 11

LISTA DE SIGLAS

AI – Artificial Intelligence
ANFIS – Adaptive Neuro-Fuzzy Inference System
DPOC – Doença Pulmonar Obstrutiva Crônica
EPA – Environmental Protection Agency
FEV1 – Forced expiratory volume in 1 second
FIS – Fuzzy Inference System
FMC – Fumaça
FVC – Forced vital capacity
IAM – Inteligência Artificial Médica
IC – Inteligência Computacional
LSE – Least Square Estimation
MF – Membership function
MP10 – Partículas inaláveis
MPS – Material Particulado em Suspensão
OMS – Organização Mundial de Saúde
PTS – Partículas Totais em Suspensão
RNA – Rede Neural Artificial
SD – Methods descendants
SIH-SUS – Sistema de Informações Hospitalares do Sistema Único de Saúde
SIM – Sistema de Informações
SUS – Sistema Único de Saúde
UR – Umidade relativa do ar
 12

LISTA DE SÍMBOLOS

CO – Monóxido de carbono
NO2 – Óxido nítrico
NOx – Óxidos de nitrogênio
O2 – Oxigênio
O3 – Ozônio troposférico
SO2 – Dióxido de enxofre
SO3 – Trióxido de enxofre
T° – Temperatura
μm – Micrometro
 13

LISTA DE TABELAS

Tabela 1 - Comparação entre redes neurais artificiais e sistemas de inferência fuzzy ............. 38
Tabela 2 - Fontes emissoras de poluentes e efeitos à saúde ................................................... 53
Tabela 3 - Dados de entradas e suas respectivas variações .................................................... 68
Tabela 4 - Classificação da variável de saída ........................................................................ 69
Tabela 5 - Classificação quanto ao nível de material particulado no ambiente ...................... 70
Tabela 6 - Classificação quanto ao nível de ozônio ............................................................... 70
Tabela 7 - Classificação quanto ao nível de dióxido de enxofre ............................................ 71
Tabela 8 - Classificação quanto à temperatura aparente ........................................................ 72
Tabela 9 - Regras geradas por especilaista para o modelo fuzzy ............................................ 72
Tabela 10 - Valores das médias, desvio padrão, mínimos e máximos das variáveis: material
particulado (MP10), ozônio (O3), dióxido de enxofre (SO2), temperatura aparente
(Tap), segundo tipo de saída número de internações (NINTER), São José dos
Campos-2007. ...................................................................................................... 81
Tabela 11- Valores da Curva ROC para Lag0, Lag1 e Lag2 dos poluenes MP 10, O3 e SO2 ... 84
Tabela 12- Parâmetros e resultados do modelo neuro-fuzzy .................................................. 90
Tabela 13- Correlações entre dados reais e dados dos modelos ............................................ 91
Tabela 14- Valores da Curva ROC para Lag0, Lag1 e Lag2 dos poluenes MP10, O3 e SO2 .. 91
 14

SUMÁRIO

1 INTRODUÇÃO ................................................................................................ 16
1.1 Objetivos ........................................................................................................... 17
1.2 Estrutura do estudo .......................................................................................... 18
2 INTELIGÊNCIA ARTIFICIAL E INTELIGÊNCIA COMPUTACIONAL 19
2.1 Evolução da inteligência artificial .................................................................... 20
2.2 Inteligência computacional............................................................................... 21
2.3 Lógica fuzzy ....................................................................................................... 22
2.3.1 Teoria da lógica fuzzy ....................................................................................... 23
2.3.2 Teoria dos conjuntos fuzzy ............................................................................... 24
2.3.3 Função de pertinência fuzzy ............................................................................. 26
2.3.4 Sistemas de inferência fuzzy ............................................................................. 27
2.4 Rede neural artificial (RNA) ............................................................................ 30
2.4.1 Redes neurais biológicas ................................................................................... 30
2.4.2 Redes neurais artificiais (RNA`s) ..................................................................... 31
2.4.2.1 Estruturas das redes neurais artificiais ........................................................... 33
2.4.2.2 Aprendizado das redes neurais artificiais........................................................ 33
2.4.2.3 Algoritmo back-propagation ............................................................................. 34
2.5 Redes neurais artificiais e sistema de inferência fuzzy .................................... 37
2.6 Sistemas neuro-fuzzy......................................................................................... 38
2.7 Características dos sistemas neuro-fuzzy ......................................................... 39
2.8 Aprendizagem dos sistemas neuro-fuzzy .......................................................... 41
2.9 Vantagens dos sistemas neuro-fuzzy ................................................................ 41
3 ARQUITETURA DO MODELO DO SISTEMA DE INFERÊNCIA NEURO-
FUZZY ADAPTATIVO-ANFIS ..................................................................... 43
4 POLUIÇÃO ATMOSFÉRICA ........................................................................ 48
4.1 Poluentes ........................................................................................................... 48
4.1.1 Material particulado (MP10) ............................................................................ 50
4.1.2 Ozônio (O3) ....................................................................................................... 51
4.1.3 Dióxido de enxofre (SO2) .................................................................................. 52
4.2 Efeitos da poluição atmosférica sobre a saúde ................................................ 54
5 DOENÇAS RESPIRATÓRIAS ....................................................................... 57
6 VARIÁVEIS CLIMÁTICAS ........................................................................... 59
6.1 Umidade relativa do ar e temperatura do ar ................................................... 59
6.2 Temperatura aparente ..................................................................................... 60
7 MATERIAIS E MÉTODOS ............................................................................ 62
7.1 Modelo fuzzy ..................................................................................................... 68
7.1.1 Material particulado......................................................................................... 70
7.1.2 Ozônio ............................................................................................................... 70
7.1.3 Dióxido de enxofre ............................................................................................ 71
7.1.4 Temperatura aparente ..................................................................................... 72
7.2 Modelo neuro-fuzzy .......................................................................................... 75
7.2.1 ANFIS ............................................................................................................... 75
8 RESULTADOS E DISCUSSÃO ...................................................................... 81
9 CONCLUSÃO .................................................................................................. 98
 15

REFERÊNCIAS BIBLIOGRÁFICAS .............................................................................. 99

ANEXO A – NOVOS PADRÕES PRIMÁRIOS E SECUNDÁRIOS – OMS – 2012...... 108
ANEXO B – PADRÕES PRIMÁRIOS E SECUNDÁRIOS - CETESB .......................... 109
ANEXO C – FÓRMULA PARA CALCULAR A TEMPERATURA APARENTE ....... 110
ANEXO D – ROTINA DDEINIT DE O MATLAB PARA GERAR SAÍDA
NUMÉRICA....................................................................................................................... 111
ANEXO E – SIMULAÇÕES DO MODELO NEURO-FUZZY ....................................... 112
 16

1 INTRODUÇÃO

A Inteligência Artificial Médica (IAM), também chamada Inteligência Artificial em

Medicina, preocupa-se com o desenvolvimento de programas de inteligência cada vez mais
avançados para auxiliar os profissionais da área. Nos últimos anos, com o advento de novos
recursos computacionais, são crescentes as áreas de aplicações destes programas como, por
exemplo, o auxílio a diagnósticos médicos, reconhecimento e análise de imagens, modelos
preditivos, entre outros mais.
Estudos envolvendo poluição e doenças do sistema respiratório têm grande expressão na
literatura nacional e internacional.
Visando predizer a interação entre poluentes, variáveis climáticas e número de
internações por doenças respiratórias, pode-se utilizar a modelagem computacional. Um dos
métodos é conhecido como Sistemas Especialistas Inteligentes, que são capazes de solucionar
problemas a partir de uma base de dados. Um exemplo desses sistemas é a associação da
lógica fuzzy e redes neurais artificiais. Daí o interesse da presente tese pela lógica fuzzy e
neuro-fuzzy aplicadas para modelar internações hospitalares por pneumonia e asma.
Com o estado atual do desenvolvimento urbano e o recrudescimento das doenças
respiratórias, redundando no aumento significativo das internações baseadas em problemas
respiratórios, faz-se necessário a apresentação de modelo capaz de analisar de forma eficiente
a relação poluição atmosférica, variação climática e o número de internações, de modo a
identificar à problemática e propiciar uma melhora no seu quadro de decisões.
As doenças do sistema respiratório são responsáveis por grande morbidade e
mortalidade e consequentemente gera um grande custo à saúde pública. A verificação da
associação entre internação hospitalar por pneumonia e asma; e a concentração de certos
poluentes pode ser uma ferramenta útil na definição de ações preventivas e políticas públicas,
visando o controle e monitoramento de emissões atmosféricas.
Ainda de acordo com Motta e Mendes (1995), políticas sobre a prevenção da poluição
atmosférica deveriam ter prioridade, dado que estariam antevendo uma relação entre a
poluição e a incidência da morbidade e mortalidade na população, auxiliando também, no que
dia a respeito de tomada de decisões quanto ao grau de risco que a população sofre, tais como:
gasto com tratamentos médicos e internações hospitalares, perda de dias de trabalho, redução
da produtividade, morte prematura, entre outros.
 17

Na literatura internacional são encontrados diferentes estudos, ainda que em número

pequeno, aplicando sistema neuro-fuzzy na previsão de poluentes, como são descritos em
Yildirin e Bayramoglu (2006) que realizaram estudo de um modelo neuro-fuzzy para previsão
de níveis diários de poluição na cidade de Zonguldak-Turquia. Noori et al. (2010) realizaram
uma análise para previsão da concentração de monóxido de carbono (CO) utilizando redes
neurais artificiais e modelos ANFIS em Teerã-Irã. Jain e Khare (2010) realizaram um estudo
com modelo neuro-fuzzy para previsão da concentração de CO em um cruzamento de estradas
em Delhi- Índia. Ashish e Rashmi (2011) também utilizaram o ANFIS para a previsão da
poluição diária do ar na cidade de Delhi- Índia. Lei e Wan (2012) aplicaram técnicas de
aprendizagem ANFIS para a previsão do índice de poluição do ar em Macau-China; e Savic
(2013) utilizou modelo ANFIS para a previsão da concentração de dióxido de enxofre (SO2)
em área urbana de Bor- Sérvia.
O restrito número de estudos com informações no que se referem à relação poluição
atmosférico (AMÂNCIO, 2012; NASCIMENTO, 2006) e algumas doenças respiratórias
(pneumonia e asma), não utilizando a teoria da lógica fuzzy e sistemas híbridos, na cidade de
São José dos Campos, Vale do Paraíba-SP, instigaram a verificação dessa relação. A
investigação pode ser promissora e buscará analisar os modelos propostos com base em dados
reais coletados da cidade, escolhida como paradigma devido a seu tamanho e densidade
demográfica proporcionais ao crescimento das últimas décadas.

1.1 Objetivos

Essa tese tem por objetivo verificar a associação entre a exposição aos poluentes
atmosféricos, variáveis climáticas e o número de internações hospitalares por pneumonia e
asma.
Deste modo, pretende-se desenvolver e validar um modelo de sistema de inferência
fuzzy Mamdani para a predição do número de internações hospitalares por pneumonia e asma
segundo exposição aos poluentes atmosféricos e variáveis climáticas.
O próximo passo é utilizar o sistema neuro-fuzzy ANFIS para obter um sistema de
inferência fuzzy do tipo Sugeno para predição do número de internações hospitalares por
pneumonia e asma. Em seguida este modelo será validado e comparado com o sistema de
inferência fuzzy desenvolvido anteriormente.
 18

1.2 Estrutura da tese

Para alcançar os objetivos desse trabalho, foi realizada a estrutura em nove capítulos. O
primeiro capítulo contém a introdução sobre o tema, a motivação e os objetivos do trabalho.
O segundo capítulo contém as definições e a base teórica sobre a Inteligência Artificial
(IA) e Computacional (IC). Sendo também realizada uma breve revisão sobre a lógica fuzzy,
rede neural artificial e sistemas neuro-fuzzy.
Em seguida, o terceiro capítulo descreve a arquitetura do sistema neuro-fuzzy ANFIS.
O quarto capítulo trata sobre o assunto poluição atmosférica, descrevendo sobre os
poluentes utilizados no estudo, sendo eles o material particulado, o ozônio e o dióxido de
enxofre.
O quinto capítulo aborda sobre doenças de afetam o sistema respiratório relacionadas
com a poluição atmosférica.
O sexto capítulo refere-se às variáveis climáticas: umidade relativa do ar e temperatura
do ar; bem como a temperatura aparente.
O sétimo capítulo contém o método para desenvolver os modelos fuzzy do tipo
Mamdani e neuro-fuzzy ANFIS.
No oitavo capítulo são apresentados os resultados e a discussão do trabalho.
Por fim, no nono capítulo apresenta-se a conclusão do trabalho.
 19

2 INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL

Segundo Fernandes (1997) a Inteligência Artificial – IA é uma das ciências mais

recentes, com início nos meados da década de 60 e em plena evolução até os dias atuais.

Atualmente, vem-se utilizando as redes neurais artificiais (RNAs), lógica fuzzy e uma
variedade de métodos de aprendizagem, com a utilização de recursos computacionais, cada
vez mais avançados, para auxílio na tomada de decisão, previsão, controle, dentre outros.

Nesse sentido, importa ressaltar que, tem havido um crescente interesse especificamente
sobre os chamados sistemas de inferência fuzzy e sistema neuro-fuzzy (JANG, 1993; LIN et
al., 1995; JANG et al., 1997; REZENDE, 2005; NEGNEVITSKY, 2005; CALDEIRA et al.,
2007).

A rigor, qualquer sistema que associa os paradigmas de sistemas de inferência fuzzy e as

redes neurais artificiais poderia ser chamado de “neuro-fuzzy”, como, por exemplo, a
utilização de um controlador fuzzy para alterar o aprendizado de uma rede neural artificial
(SANDRI; CORREA, 1999).

Contudo, o termo é utilizado para um tipo específico de sistema que engloba os dois
paradigmas. Nestes sistemas, os termos e regras de um sistema de inferência fuzzy são
aprendidos mediante a apresentação de pares de entrada e a saída desejada (SANDRI;
CORREA, 1999).

Esclareça-se que, tais pares apresentam dois comportamentos distintos, dependendo de

estarem numa fase de aprendizado onde eles têm comportamento de uma rede neural artificial
ou numa fase de processamento, em que eles se comportam como um sistema de inferência
fuzzy (SANDRI; CORREA, 1999).

Modelos utilizando redes neurais artificiais e sistemas baseados em regras fuzzy têm
surgido como uma alternativa aos modelos tradicionais em auxílio na área médica
(CASTANHO, 2007), este é o motivo do interesse desta área para elaboração deste trabalho.
 20

2.1 Evolução da inteligência artificial

O estudo da inteligência teve início há mais de 2.000 anos, começando com filósofos
que procuravam entender como eram realizados os processos de visão, aprendizado,
lembranças e raciocínio (MONARD; BARANAUSKAS, 2000).
Desde então, várias tentativas para mecanizar a inteligência foram efetuadas, sendo que
muitas dessas tentativas precedem as idéias dos computadores digitais e das tecnologias mais
avançadas.
Foi somente no pós-guerra, na década 50 que se originou a área de Inteligência
Artificial (IA), quando pesquisadores da área da computação começaram a utilizar
computadores no desenvolvimento de programas simbólicos com o objetivo de resolver
problemas mais complexos (MONARD; BARANAUSKAS, 2000).
O termo Inteligência Artificial, foi usado pela primeira vez na década dos anos 50 e
nada mais é do que uma tentativa de formalizar o eterno sonho da criação de um “cérebro
eletrônico” (OSÓRIO, 1999). Nos últimos anos o cinema também abordou sobre o tema com
os filmes Robocop, IA-Inteligência Artificial, Matrix, Eu robô, dentre outros, nos quais os
temas associam o corpo humano e os computadores.
Caldeira, et al.(2007) definem a IA como o ramo da computação preocupada com a
automação de comportamento inteligente, ao passo que, Winston (1992) entende IA como o
estudo da computação que torna possível perceber, raciocinar e agir, concluindo que, IA é o
estudo das idéias que permitem aos computadores serem inteligentes.
Para Rezende (2005) IA é a capacidade da ciência da computação voltada à execução
das funções que são desempenhadas pelo seres humanos, isto é, imitar a inteligência na
compreensão da linguagem e da visão, aprendizado, raciocínio lógico, resolução de problemas
simples ou complexos, dentre outros.
Pode-se concluir então que, IA é um ramo da área da ciência da computação cujo
interesse é fazer os computadores pensarem ou comportarem de forma inteligente
(MONARD; BARANAUSKAS, 2000). A IA está interligada as mais diversas áreas como:
psicologia, linguística, filosofia, biologia, matemática, engenharia, entre outras áreas
científicas, sendo uma área extensa de aplicações, conforme mostrado na Figura 1.
 21

Figura 1 – Áreas relacionadas com IA (adaptado de MONARD; BARANAUSKAS, 2000).

A IA envolve o conceito de explorar um comportamento inteligente que possui

características bem definidas. Algumas destas características estão em aprender e aplicar o
conhecimento adquirido com a experiência, aplicar o conhecimento adquirido de forma
empírica, tratar situações complexas, resolver problemas mesmo quando há falta de
informações, adquirirem a capacidade de raciocínio e pensamento, alcançar a capacidade de
reação correta nas mais diversas situações, interpretar imagens, processar e manipular
símbolos, ser criativo e imaginativo e utilizar-se da heurística e normas práticas advindas da
experiência (MOURA et al., 2005).

2.2 Inteligência Computacional – IC

A IC é a área da Ciência da Computação que compreende sistemas computacionais, que

simulem características associadas, quando presentes no comportamento e raciocínio humano,
a inteligência (SCHWALBERT, 2007).
Os primeiros modelos de IC são os algoritmos genéticos, a programação evolutiva, a
lógica fuzzy, os sistemas baseados em conhecimento, o raciocínio baseado em casos, a
programação genética e as redes neurais artificiais (CALDEIRA, 2007).
Para Carvalho et al., (2006), o universo das pesquisas possui uma tendência a ser
alterado muito rápido no tempo atual devido ser a realidade dinâmica. Os métodos e as
 22

técnicas também evoluem muito rápido, contribuindo, assim para o surgimento de novos
padrões de pesquisa.
Os sistemas envolvendo técnicas tradicionais de inteligência artificial aplicados no
domínio da matemática, física, química, biologia, astronomia, entre outras, estão sendo
associados aos chamados sistemas que utilizam Inteligência Computacional (IC),
referenciados na literatura científica como Soft Computing. (CARVALHO et. al, 2006). O uso
da IC, como visto, não se restringe somente a área da ciência exata. Seu alcance vai além das
fronteiras e pode auxiliar na modelagem de questões encontradas nas mais variadas área do
conhecimento (CALDEIRA, 2007).
Através de técnicas inspiradas na natureza a IC adquire o poder de imitar o
comportamento da inteligência humana, tais como o aprendizado, a percepção e o raciocínio,
(CARVALHO et. al,, 2006).
Segundo Zadeh (2006), as características básicas desses sistemas estão na representação
inexata do conhecimento, o qual seria impossível de representar através das técnicas
tradicionais de IA. No centro da IC, estão a Lógica Fuzzy, Redes Neurais Artificiais,
Neurocomputação, Computação Evolucionária, Computação Probabilística, Computação
Caótica e Aprendizagem de Máquina, áreas que utilizam os princípios da IA.
Para Brusaferro (2006), a modelagem, de modo geral, visa encontrar o melhor modelo
com o menor erro. Já a previsão visa estimar valores futuros baseados no modelo, podendo
lançar mão das técnicas estatísticas tradicionais ou dos métodos recentes da IC. A diferença
está na modelagem dos dados. A técnica tradicional busca encontrar uma equação para o
modelo, enquanto os modelos de IC usam redes para o aprendizado da função.
O conjunto de técnicas e modelos de IC representa o que há de mais inovador na área de
modelamento e previsão, porém não é a solução para todos os problemas, tratando
simplesmente de uma poderosa ferramenta que obtém soluções, simples e eficientes, para
problemas de difícil manejo por técnicas convencionais (CALDEIRA, 2007).

2.3 Lógica Fuzzy

Neste tópico, sobre a lógica fuzzy, são abordados somente os conceitos de suma
importância usada neste trabalho, podendo a teoria completa ser examinada em outras
referências como KLIR, 1995a; MASSAD et al., 2008; CALDEIRA et al., 2007; REZENDE,
2005; NEGNEVITSKY, 2005, ORTEGA, 2001.
 23

Uma vez que os textos em livros, artigos, tutoriais disponibilizados na literatura é bem
extenso e diversificado o conteúdo aqui exposto constitui a medida exata para a compreensão
do sistema de inferência fuzzy e neuro-fuzzy (ANFIS) proposto para a realização do trabalho.

2.3.1 Teoria da lógica fuzzy

A teoria dos conjuntos fuzzy foi apresentada em 1964 por Lotfi A. Zadeh, professor no
Departamento de Engenharia Elétrica e Ciências da Computação da Universidade da
Califórnia em Berkeley, quando trabalhava com problemas de classificações de conjuntos que
não possuíam fronteiras bem definidas (ZADEH, 1965; KLIR, 1995b; SANDRI; CORREA,
1999; ORTEGA, 2001).
O termo em inglês “fuzzy” traduzido, tem o significado como algo vago, indefinido,
incerto. Mas traduzido para o português os termos mais utilizados na área de inteligência
artificial são nebuloso ou difuso (REZENDE, 2005).
A teoria dos conjuntos fuzzy permaneceu incompreendida por muito tempo. As
primeiras aplicações com sucesso foram na área de controle. Em meados dos anos 80,
Mamdani a utilizou para projetar controladores fuzzy. A partir daí houve um grande progresso
da área, em especial com muitas aplicações reportadas dos países orientais principalmente do
Japão (BAUCHSPIESS, 2008).
A lógica fuzzy (ZADEH, 1965) pode ser a base para geração de técnicas poderosas para
a solução de problemas complexos, com uma vasta área de aplicação, em especial, nas áreas
de controle, previsão e tomada de decisão, pois pode representar informações vagas e de
limites imprecisos.
Diferente da lógica clássica, onde uma proposição lógica possui dois extremos: o
“completamente verdadeiro” ou o “completamente falso”, na lógica fuzzy uma proposição
pode assumir um número de valores infinito de pertinência que varia de zero a um, o que a
torna parcialmente verdadeira ou parcialmente falsa, sendo o valor zero usado para
representar a não pertinência completa e o valor um a completa pertinência. Isso permite que
a lógica fuzzy descreva um determinado fato com mais detalhe e modo gradual, reduzindo
assim a perda de informações, que consequentemente estará o mais coerente possível com a
realidade em questão (MALUTTA, 2004).
Através de uma determinada regra, que varia para qual fim a lógica fuzzy é utilizada, os
dados coletados caracterizados como incertos são analisados de acordo com a regra
 24

implementada e aproximados por números para possibilitar a interpretação de computadores

(MALUTTA, 2004).
Como exemplo, para lógica clássica um indivíduo de 1,79 m tem a mesma estatura
baixa que um indivíduo de 1,40 m, por outro lado, um indivíduo de 1,81 m é tão alto quanto
um de 2,00 m. Já para a lógica fuzzy existem graus de pertinência para um indivíduo de
estatura alta entre 1,70 m e 1,90 m, Figura 2.

Figura 2 – Gráficos comparativos da lógica clássica com a lógica fuzzy (adaptado de NEGNEVITSKY, 2002).

Os sistemas inteligentes com base na lógica fuzzy são sistemas capazes de trabalhar com
informações vagas, transformando-as em uma linguagem matemática de fácil aplicação
computacional (FERREIRA, 2010).
Assim, a eficácia da lógica fuzzy provém da sua habilidade em inferir conclusões e gerar
respostas baseadas em informações vagas, ambíguas, incompletas ou imprecisas (DASH et.
al, 2000); neste sentido, os sistemas de inferência fuzzy têm habilidade de raciocinar de forma
parecida com os humanos, encontrando aplicações nas mais diversas áreas do conhecimento,
como, por exemplo, computação, engenharia, saúde, administração, entre outras.

2.3.2 Teoria dos conjuntos fuzzy

A teoria dos conjuntos fuzzy veio agregar-se a lógica binária (0-1; verdadeiro-falso) da
teoria dos conjuntos clássica, traduzida na Álgebra de Boole, por uma lógica em que o grau de
verdade de uma afirmação pode assumir uma gama contínua de valores entre zero e um.
Uma das grandes vantagens da utilização da teoria dos conjuntos fuzzy é a sua
capacidade de poder representar expressões linguísticas qualitativas como, por exemplo,
afirmar que um determinado critério é “baixo, médio ou alto”, em vez de se exprimir esta
grandeza na forma de um número real (ANTÓNIO, 2004).
 25

O conceito fundamental na definição de um conjunto fuzzy é a sua “função de

pertinência”. Na teoria clássica dos conjuntos, dado um universo e um conjunto ‘A’ nele
definido, estabelece-se uma relação de pertinência relativamente a cada elemento x nesse
universo, tal que dois casos se dão: ou x pertence a ‘A’ ou x não pertence a ‘A’. Dito de outro
modo poderia definir uma função de pertinência, tal que: μA : A → {0,1}, conforme equação
(1):

­0 Ÿ x  $
P $ x  ® (1)
¯1 Ÿ x  $

Ou seja, todos os elementos que pertençam a ‘A’ têm valor de pertinência um e todos os
outros têm valor de pertinência zero, que é o mesmo que dizer que se aceita apenas um valor
binário de verdade.
Na teoria dos conjuntos fuzzy μ assume valores entre [0, 1] aceita que o valor de
pertinência que pode ser representado por um número real qualquer no intervalo entre [0, 1].
Um conjunto fuzzy A em X, coleção de objetos, é definido como sendo o conjunto de
pares ordenados, conforme equação (2):

$ ^x, P$x) x  & } (2)

Sendo, μA(x) o valor a função de pertinência do conjunto fuzzy ‘A’ correspondente ao

elemento x.
Os operadores na lógica fuzzy são as t-normas e t-conormas, dos quais os operadores
mínino (˄), máximo (˅) e not (¬) são apenas um caso particular. São conhecidos como
operadores de relação. Na lógica fuzzy eles são usados para definir o grau máximo e mínimo
de pertinência dos conjuntos (CARPENTER, 1992) Assim, tem-se a equação (3):
A ˄ B = min(A,B)

A ˅ B = max(A,B) (3)

¬A=1–A

Sendo:
˄ : operador que representa a interseção dos dois conjuntos (A ˆ B);
 26

˅ : operador que representa a união dos dois conjuntos (A ‰ B)

¬ : operador que representa o complemento de um conjunto (A).
Na Figura 3, são apresentadas as operações de união e interseção realizada entre dois
conjuntos fuzzy.

Figura 3 – Representação dos conjuntos fuzzy. (a) Conjunto A, (b) Conjunto B, (c) Conjuntos A˄B e A˅B
(Adaptado de MALANGE, 2010).

2.3.3 Funções de pertinência fuzzy

As funções de pertinência fuzzy podem ser definidas como sendo uma representação
gráfica (diferentes formas) da magnitude de participação de cada entrada e resposta de saída,
dependendo do conceito que se deseja representar e do contexto aplicado. Ela associa um peso
para cada valor de entrada processada, definindo, assim, uma superposição funcional entre as
entradas e determinando uma resposta para a saída (CALDEIRA, 2007; MALANGE, 2010).
É uma função que mapeia a relação de cada entrada com a variável fuzzy, como
exemplo: existe uma função de pertinência para a variável fuzzy indivíduo baixo que relaciona
a estatura (entrada) com um valor de zero a um. Essa função pode ser linear (triangular,
trapezoidal) ou não linear (gaussiana, sino, sigmóide) em função da complexidade do
problema e podendo ser também usadas de acordo com a preferência, experiência do
especialista, além de depender das características do fenômeno (CALDEIRA, 2007).
O grau de pertinência é determinado pela projeção vertical do parâmetro de entrada do
eixo horizontal no limite mais alto da função de pertinência, o qual tem valores
compreendidos entre zero e um (MALANGE, 2010), como mostrado a seguir, Figura 4.
 27

Figura 4 – Funções de pertinência fuzzy (Adaptado de Malange, 2010).

Observa-se que estaturas de até 1,40 m apresentam grau de pertinência igual a um no

conjunto (μA); o grau de pertinência nesse conjunto decresce a medida que a estatura aumenta.
O grau de pertinência define a quantidade ou intensidade, entre zero e um, que um
determinado valor de entrada pertence aquele conjunto, exemplo: 1,80 m podem representar
grau de pertinência 0,10 na função de pertinência fuzzy “indivíduo baixo” e 0,80 na função de
pertinência fuzzy “indivíduo alto”.

2.3.4 Sistemas de Inferência Fuzzy (SIF)

Define-se sistema de inferência fuzzy como sendo o processo pelo qual se obtém as
saídas do sistema, pela avaliação do relacionamento das entradas com os antecedentes das
regras, ativando os consequentes. Assim, um conjunto fuzzy é transformado em um número
real (CALDEIRAS, 2007).
Problemas complexos, normalmente, exigem soluções complexas que necessitam de
tempo e esforço proporcional ao grau de complexidade. Os SIF empregam soluções simples
para resolver estes tipos de problemas, pois, em vez de modelar um processo através do uso
de relações complicadas entre as variáveis, o SIF leva em conta a modelagem do processo por
meio do uso de um conjunto simples de vários tipos de regras de bom senso (LOESCH;
SARI, 1996).
 28

O SIF apresenta uma estrutura com base em um conjunto de regras fuzzy incluindo as
seguintes fases principais: fuzificador, elaboração das bases de regras fuzzy, método de
inferência e defuzificador, como pode ser observado a seguir, Figura 5.

Figura 5 – Etapas de um sistema fuzzy. (Adaptado de CALDEIRA, et al., 2007).

A figura ilustra a arquitetura típica de um sistema de inferência fuzzy que é normalmente

composto por blocos. No bloco fuzificador ocorre uma conversão de dados precisos (não-
fuzzy ou crisps) pelos conjuntos fuzzy de entrada. A fuzificação é um mapeamento do domínio
da variável crisp de entrada para o domínio fuzzy, representando a atribuição de valores
lingüísticos (baixo, médio e alto), definidas por funções de pertinência às variáveis de entrada.
A máquina de inferência, onde se efetua o processamento fuzzy propriamente dito é
baseada em operadores da lógica fuzzy; a base de regras consiste em processar a aplicação de
uma regra do tipo, SE-ENTÃO, constituída de proposições, envolvendo termos de variáveis
linguísticas.
O defuzificador transforma o conceito linguístico, obtido pelo procedimento de
inferência, em um valor numérico bem definido, o qual é utilizado como a saída efetiva do
controlador fuzzy.
Existem dois métodos de inferência fuzzy mais usados e os quais serão usados neste
trabalho, são eles:
 29

Os SIF do tipo Mamdani, utiliza conjuntos fuzzy no antecedente e no conseqüente das

regras, sendo a saída final representada por um conjunto fuzzy resultante da agregação da
saída. A regra de Mamdani: Se x é A1 E y é B1 então z é C1, Figura 6.

Figura 6: Modelo Mamdani (adaptado de JANG, 1997).

O processo de defuzificação visa obter um resultado não-fuzzy na saída do sistema de
inferência e podendo ser feito pelo método do centróide, mínimo, máximo, entre outros
(CALDEIRA, 2007).
No sistema de inferência do tipo Sugeno, uma regra típica desse modelo é: Se x é A e y
é B então z = f(x, y), onde A1 e B1 são conjuntos fuzzy e f uma função real de x e y, Figura 7.

Figura 7: Modelo Takagi-Sugeno (adaptado de JANG, 1997).

 30

O método de inferência proposto por Sugeno utiliza função exponencial.

2.4 Rede Neural Artificial (RNA)

Para que haja um melhor entendimento de uma Rede Neural Artificial, faz-se necessário
a descrição, em resumo, do que é uma Rede Neural Biológica.

2.4.1 Redes Neurais Biológicas

O cérebro humano é formado por células chamadas neurônio e são atribuídas ao

neurônio inúmeras funções de um organismo (pensamento, emoção e cognição, execução das
funções sensório-motoras e autônomas). Cada neurônio compartilha várias características com
outras células, mas possui capacidades singulares para receber, processar e transmitir sinais
eletroquímicos ao longo das fibras nervosas, que compreendem o sistema de comunicação
cerebral. A célula nervosa é vista como uma unidade de processamento analógica
independente, capaz de estabelecer a comunicação com o sistema nervoso central (MOURA
et al., 2005).
Os neurônios são interconectados por intermédio dos dendritos (receptores de
estímulos) e terminações dos axônios (condutores de impulsos), formando uma cadeia de
aproximadamente 100 bilhões de células. Tais conexões são chamadas de sinapse e são
realizadas para transmitir os impulsos de um neurônio para outro e juntos formam uma rede
neural (MOURA et al., 2005).
Uma rede neural biológica tem capacidade de aprendizado devido ao reforço ou
enfraquecimento das sinapses. Os aprendizados são realizados através das repetições de um
determinado estímulo de entrada. Quanto maior a estimulação neural maior é a percepção de
que este é um fato relevante, passando assim, a dar uma maior ênfase para tal. Isto faz com
que, a cada acontecimento de uma mesma situação, o sistema nervoso já tenha a informação
solidificada (MOURA et al., 2005).
Na Figura 8, mostra-se a semelhança entre o neurônio biológico e o neurônio
matemático de McCulloch, Pitts (1943) onde existem sinais de entrada (dendritos), um
somatório e uma função de ativação (corpo) e uma saída (sinapses do axônio) (PEREIRA;
RODRIGUES, 1998).
 31

Figura 8 – Comparativo do neurônio biológico com o neurônio matemático (Adaptado de Jacintho, 2010).

Pode-se notar que os principais componentes de um neurônio biológico são: os

dendritos, que são estruturas responsáveis por receber os estímulos enviados por outros
neurônios; o corpo do neurônio (soma), que é responsável por coletar e combinar informações
vindas de outros neurônios; e por fim, o axônio, que é responsável pela condução dos
impulsos a outras células do corpo humano.
Já em relação ao neurônio matemático é constituído de: W, que representa o vetor de
pesos; e X o vetor de entradas; ∑ representa à soma ponderada das entradas; e f a função de
ativação. A saída será f [(W1.X1) + (W2.X2) + (W3 .X3)] para o exemplo apresentado na Figura
8.

2.4.2 Redes Neurais Artificiais – RNA

Segundo Lin e Cunningham III (1995), as RNAs são uma geração computacional
promissora no que diz respeito ao processamento de informações, as quais demonstram
capacidade de aprendizado, reaprendizado e generalização a partir de um banco de dados ou
padrões de treinamento.
Loesch e Sari (1996) informam que as RNAs podem ser desenvolvidas em um tempo
razoável e realizar tarefas de forma mais eficiente que outras tecnologias convencionais.
Quando associadas em uma implementação de hardware, as RNAs exibem alta tolerância a
falhas no sistema e fornecem dados que estimam o processamento em paralelo.
A rede neural artificial é um processador distribuído, massivamente paralelo, com uma
tendência natural para armazenar conhecimento através da experiência e torná-lo acessível
para uso (HAYKIN, 2001). Assemelha-se ao cérebro em dois aspectos:
1. O conhecimento é adquirido pela rede através de um processo de aprendizagem.
2. A intensidade das ligações entre neurônios, conhecidas por pesos sinápticos, é
utilizada para armazenar conhecimento.
 32

Para Nishida (1998), com o intuito de simular o aprendizado humano, pesos são
designados às conexões sinápticas entre neurônios artificiais, e representam o conhecimento
armazenado em uma RNA. Por meio de um processo de aprendizagem, ou treinamento, os
pesos sinápticos são ajustados e tornam a rede artificial apta a decidir com maior ou menor
eficiência.
Os neurônios artificiais são formados por sinais de habilitações e que são validados
através de pesos. Os sinais de habilitação são sinais lógicos que informam ao neurônio se ele
deve ou não considerar esta informação. Caso o neurônio considere a informação, será
necessário levar em conta o peso atribuído à mesma, pois este pode representar se essa é uma
informação muito ou pouco relevante. Caso ela seja muito relevante, de grande importância, o
dado será conhecido como dado estimulante. Porém, se o dado não for muito relevante, ou
seja, de pouca importância, ficará conhecido como dado inibidor (MOURA et al., 2005).
A rede neural artificial calcula o somatório do produto dos valores de cada entrada pelo
seu respectivo peso. Após esse cálculo ele compara o resultado com um valor predeterminado,
que será considerado como um critério para ativar ou não a saída (MOURA et al., 2005).
Segundo Baleeiro (2007), quando as execuções acontecem e o resultado do coeficiente
de erro é diferente de zero, que é o resultado de uma situação perfeita, o sistema se auto-
corrige, alterando os pesos para de cada dado de entrada, tornando-a mais ou menos relevante.
Dessa forma o erro sempre tenderá a ser igual a zero. Isso é o que se chama de plasticidade
neural (capacidade de reorganização).
Em síntese, plasticidade neural é a capacidade de alterar esses pesos e, como os
neurônios biológicos, reforçar ou enfraquecer as ligações sinápticas, modificando sua
interconexão (BALEEIRO, 2007).
A computação neural aplica alguns princípios e propriedades do funcionamento do
cérebro em sistemas computacionais, tais como: aprendizagem, generalização e abstração de
informações irrelevantes. O conhecimento adquirido pelo processo de treinamento de uma
rede neural é usado posteriormente (BALEEIRO, 2007).
Percebe-se então que uma rede neural é constituída por um conjunto de elementos
(neurônios), interligados e comunicados entre si pelo envio de sinais. A partir desses
princípios, a RNA busca imitar os princípios organizacionais do cérebro humano, com isso
demonstrando habilidade de aprendizagem e generalização (BALEEIRO, 2007).
 33

Os neurônios artificiais são os elementos básicos de processamento da RNA, são

estruturas lógicas que tem o objetivo de imitar o funcionamento de um neurônio biológico,
fazendo com que a rede aja analisando os resultados obtidos (CALDEIRA, 2007).
Para aplicar as redes neurais à resolução de um problema qualquer, em geral, são
necessárias três fases: treinamento da rede, teste e validação.
A seguir, serão descritas as principais classificações das redes neurais artificiais
(RNA’s) pela forma da arquitetura e pela forma de aprendizado (HAYKIN, 2001), que são
aplicadas a este trabalho.

2.4.2.1 Estruturas das RNA’s

Este tipo de classificação depende de como os neurônios estão conectados e como

recebem as informações. Podem ser descritos três tipos: alimentação direta, recorrente e
competitiva. A estrutura de alimentação direta, interesse para este trabalho, será descrita em
seguida.
• Alimentação direta (Forwardfeed): neste caso os neurônios estão dispostos em
camadas e o sinal propaga em uma só direção. Não há comunicação entre neurônios de uma
mesma camada, conforme visto a seguir, Figura 9:

Figura 9 – Rede de alimentação direta (forwardfeed) (Adaptado de Jacinhto, 2010).

2.4.2.2 Aprendizado das RNA’s

Outro tipo de classificação das redes neurais artificiais pode ser descrito pela forma
como a rede é treinada (tipo de aprendizado). Há três mecanismos mais utilizados para o
aprendizado de uma RNA: método de aprendizado supervisionado, método de aprendizado
não supervisionado; e o aprendizado por reforço. Em seguida serão descritos esses
mecanismos de aprendizado.
 34

O primeiro método de aprendizado é o supervisionado, onde são fornecidos

integralmente os resultados desejados através de um conjunto de entradas e saídas. Neste caso
o comportamento de saída já é conhecido e a rede é levada a reproduzir as saídas desejadas. A
maioria das aplicações utiliza o aprendizado supervisionado. Os parâmetros da rede são
ajustados através da propagação do erro resultante da comparação entre as respostas desejadas
e as respostas fornecidas pela rede (KARTALOPOLOS, 1996).
O segundo é o aprendizado não-supervisionado, quando a própria rede é capaz de
ajustar o seu funcionamento extraindo regularidades e padrões existentes nos estímulos de
entrada. Elas são úteis nos problemas em que as entradas variam com o tempo de forma
conhecida. Em outras palavras, a rede abstrai correlações entre os estímulos de modo a obter
as respostas desejadas. Na aprendizagem não-supervisionada, descrita em
(KARTALOPOULOS, 1996), não se conhece a saída da rede, os padrões de entrada são
apresentados à rede que os organiza em categorias, de acordo com as características comuns
entre eles, por exemplo, padrões de uma mesma categoria possuem características
semelhantes, enquanto padrões de grupos diferentes possuem aspectos que os diferenciam dos
outros grupos.
O terceiro método é o aprendizado por reforço, quando é dado apenas um parâmetro
externo de comparação para saber se estão agindo corretamente ou erroneamente. Ele
basicamente mapeia situações em ações para maximizar uma recompensa. A aprendizagem
competitiva (KARTALOPOULOS, 1996) representa outra forma de aprendizagem
supervisionada, a diferença está na arquitetura e no funcionamento. A camada de saída possui
muitos neurônios e, a cada padrão de entrada apresentado, os neurônios da camada de saída
competem entre si para produzir a saída mais próxima da saída desejada. O neurônio vencedor
torna-se o dominante para esta entrada.

2.4.2.3 Algoritmo Back-Propagation

O algoritmo back-propagation foi desenvolvido por Paul Werbos em 1974, sendo um

algoritmo amplamente empregado no treinamento de redes neurais artificiais por ser um
processo muito preciso e rápido. Na primeira etapa do processo são definidas as entradas e as
saídas da rede, determina-se um valor para a taxa de aprendizado, um critério de parada do
treinamento, e também qual a metodologia para o ajuste dos pesos e seus valores iniciais e por
fim, na etapa final, escolhe-se uma função não linear (HAYKIN, 2001).
 35

O back-propagation funciona baseado na propagação retrógrada do erro para os níveis

anteriores da rede, de acordo com o grau de participação que cada neurônio teve no nível
posterior (HAYKIN, 2001).
A seguir, vê-se um exemplo de treinamento back-propagation para uma RNA de três
camadas, Figura 10.

Figura 10: Algortimo Back-propagation para rede neural de três camadas (NINOMIYA, 2008)

Ao modelar-se um problema com redes neurais artificiais, o número de camadas, a

quantidade de neurônios por camada e a função de ativação podem variar. A Figura 11, a
seguir, ilustra também o mecanismo de Back-propagation.

Figura 11 – Exemplo de modelo de rede neural, adaptado de Jacintho (2010).

 36

Cada neurônio é uma unidade básica de processamento. A arquitetura da rede é

estruturada de tal forma que os neurônios estão interconectados. O algoritmo de treinamento
define como será realizado o processo de aprendizagem da rede, ou seja, após um conjunto de
padrões de entrada ser apresentado à rede, uma nova informação é obtida e modificações são
realizadas nos parâmetros da rede, a fim de que o modelo represente o conhecimento sobre o
conjunto de dados apresentado, de maneira que respostas adequadas sejam fornecidas pela
rede para a solução do problema (HAYKIN, 2001).
Algumas das mais conhecidas arquiteturas de redes neurais artificiais são: Perceptron;
Perceptron multicamada (Multi Layer Perceptron-MLP); Rede com Funções de Base Radial
(Radial Based Function-RBF); Kohonen; Hopfield; ADALINE e MADALINE e Máquinas de
Boltzmann entre outras.
A seguir serão descritas as três primeiras arquiteturas citadas acima.
- Perceptron

Segundo Haykin (2001) o perceptron é a forma mais simples de uma rede neural
artificial utilizada para classificar padrões linearmente separáveis. É uma rede de apenas uma
camada cujos pesos e erros podem ser treinados para que se tenha um vetor esperado dado um
vetor de entrada. O aprendizado usa as mudanças dos pesos e as bias (viés) dado um vetor de
entrada e o erro, que é a diferença entre a resposta da rede e o vetor de saída desejado
(CALDEIRAS, 2007).
- Perceptron múltiplas camadas (MLP)

São redes alimentadas adiante que possuem uma camada de entrada, uma ou mais
camadas ocultas de nós computacionais e neurônios e uma camada saída. O aprendizado de
uma rede neural MLP é de forma supervisionada com um algoritmo de retropropagacão de
erro (back propagation), baseado na regra de aprendizagem por correção de erro, que consiste
basicamente de dois passos, um para frente e outro para trás (HAYKIN, 2001).
O passo para frente é chamado de propagação, os valores provindos dos neurônios de
entrada são aplicados aos neurônios ocultos e posteriormente suas saídas são aplicadas como
entradas aos neurônios da camada, obtendo a resposta da rede. Durante este passo os pesos
sinápticos da rede são todos fixos (HAYKIN, 2001).
Já o passo para trás é realizado para ajustar os pesos sinápticos, por meio do cálculo do
erro realizado na camada de saída, os pesos sinápticos entre as camadas antecessoras são
ajustados de acordo com uma regra de correção de erro (HAYKIN, 2001).
 37

- Redes com Funções de Base Radial (RBF)

São redes que combinam várias definições da teoria de aproximação de funções,
clustering, tornando bastante adequadas aplicações em situações práticas. São utilizadas para
a aproximação de funções multivariáveis, bem como em reconhecimento de padrões. As
RBF’s representam a informação de forma localizada, o que facilita a interpretação dos
parâmetros de cada uma das funções que compõem a rede (CALDEIRA, 2007).
Segundo Caldeira (2007) ainda é possível aproveitar a arquitetura final de uma RBF
para a construção de sistemas fuzzy com funcionalidade igual a da rede recém-treinada.

2.5 Redes Neurais Artificiais e Sistemas de Inferência Fuzzy

A teoria de conjuntos fuzzy tem sido agregada aos sistemas de redes neurais artificiais,
propondo os sistemas neuro-fuzzy, aumentando, assim, a capacidade de aprendizado através
de interface com dados numéricos. Informações incertas, qualitativas, capacidade de
aprendizado e formulação de estratégias de tomadas de decisão, são características dos seres
humanos e por isso são referidos como “sistemas inteligentes”, em consequência do fato de
imitarem a inteligência humana (MALANGE, 2010).
Os sistemas neuro-fuzzy têm atraído interesse da comunidade científica nestes últimos
anos, pois estes sistemas têm demonstrado um melhor desempenho em diferentes aplicações
quando comparadas separadamente (CALDEIRA, 2007).
Um sistema de inferência fuzzy é capaz de utilizar o conhecimento especialista,
armazenando informação na base de regras associada ao sistema e realizando o raciocínio
aproximado para inferir o valor da saída correspondente. Para construir um sistema de
inferência fuzzy – FIS, é necessário definir o número de conjuntos fuzzy que constituem as
partições dos universos de discurso, os operadores lógicos e a base de conhecimento
(CALDEIRA, 2007).
As redes neurais artificiais se mostram deficientes para representar o conhecimento de
forma explícita em sua estrutura, pois estes sistemas não são capazes de definir
automaticamente as regras utilizadas para as tomadas de decisões (FULLÉR, 1995). Por outro
lado, os FIS valem-se amplamente de suas características com relação à manipulação de
termos linguísticos. A Tabela 1 apresenta uma comparação entre as redes neurais artificiais e
os sistemas de inferência fuzzy.
 38

Tabela 1 - Comparação entre redes neurais artificiais e sistemas de inferência fuzzy

Redes Neurais Artificiais
Conhecimento a priori não utilizado
Capacidade de aprendizado
Caixa preta
Algoritimos de aprendizado complexos
Dificuldade para extração de conhecimento
Fonte: Adaptado de Ramos (1999).
Sistemas de Inferência Fuzzy
Conhecimento a priori pode ser incorporado
Utiliza o conhecimento lingüístico
De fácil interpretação (regras SE – ENTÃO)
Fácil interpretação e implementação
Conhecimento disponível

2.6 Sistemas neuro- fuzzy

Um sistema neuro-fuzzy pode ser definido como sendo um sistema de inferência fuzzy
que é treinado por uma RNA. Este tipo de sistema é o resultado da união destes dois modelos.
Com isto, tem-se a capacidade das RNA em reconhecimento e classificação, sem esquecer a
robustez e habilidade de generalização (RAMOS, 1999).
Por outro lado, têm-se os sistemas fuzzy que, através da suas regras e conjuntos fuzzy,
facilita o entendimento do problema, porque modela o ambiente por meio de uma linguagem
próxima da usada pelos especialistas. Por exemplo, os sistemas fuzzy têm demonstrado ser
bastante consistentes e confiáveis, quando aplicados a sistemas de controle e problemas de
classificação (FULLÉR, 1995).
Considerando as características destes dois importantes sistemas tem procurado unir os
potenciais. Estes sistemas podem incorporar conhecimentos empíricos e ter seus parâmetros
adaptados através de algoritmos eficientes para cada caso (REZENDE, 2005).
O objetivo desta integração é minimizar as deficiências que cada sistema apresenta,
tentando construir um novo sistema que busca unir as melhores qualidades dos dois sistemas
(FULLÉR, 1995).
Sistemas neuro-fuzzy podem ser utilizados em tarefas de reconhecimento de padrões,
interpolação de funções, previsão e controle (FULLÉR, 1995).
Um importante aspecto que torna possível esta integração é que as redes neurais
artificiais e os sistemas de inferência fuzzy são aproximadores universais. Portanto, o sistema
neuro- fuzzy mantém esta característica fundamental para o desenvolvimento das aplicações
(RAMOS, 1999).
Os sistemas neuro-fuzzy adquirem da rede neural artificial sua capacidade de
aprendizagem, generalização, classificação, robustez, adaptação e agrupamento de dados. As
redes neurais sempre foram vistas como uma caixa preta, em que, não é possível obter o
conhecimento sobre as decisões da rede no processo de treinamento (CALDEIRA, 2007).
 39

Os sistemas neuro-fuzzy quebram este conceito de caixa preta das redes neurais, porque
o comportamento deste modelo pode ser entendimento através da observação das variáveis
linguísticas, das funções de pertinência, dos relacionamentos entrada-saída e das próprias
regras fuzzy, as quais podem explicar facilmente o funcionamento do sistema, devido a
simplicidade e proximidade com a linguagem humana (RAMOS, 1999).
As redes neurais artificiais, com sua capacidade de aprendizagem e adaptação,
diminuem a deficiência dos sistemas de inferência fuzzy em aprender novas regras, ou até
mesmo remover as desnecessárias. Num ambiente impreciso e ambíguo, definir regras e
funções de pertinência para um sistema inferência fuzzy não é uma atividade fácil, muitos
erros durante a fase de fuzificação (KARTALOPOULOS, 1996) podem ser cometidos,
comprometendo o pleno funcionamento destes sistemas. As redes neurais artificiais podem
oferecer a um sistema fuzzy a habilidade de obter novas regras automaticamente, sem a
presença do especialista, e remover aquelas com grau de importância ou peso, muito pequeno.

2.7 Características dos Sistemas Neuro-Fuzzy

Estes modelos de sistemas integram redes neurais artificiais e sistemas de inferência

fuzzy, criando uma arquitetura homogênea, no qual o sistema de inferência fuzzy realiza o
aprendizado usando algum tipo de algoritmo de treinamento baseado nos modelos de redes
neurais artificiais (CALDEIRA, 2007).
A principal vantagem deste sistema é a consistência da arquitetura que evita problemas
de comunicação entre os dois modelos, pois os sistemas estão completamente integrados.
Desta forma, as regras, as variáveis de entrada e as variáveis de saída são representadas pelos
neurônios e os pesos representam os conjuntos fuzzy (RAMOS, 1999).
Os sistemas híbridos que combinam lógica fuzzy, redes neurais, algoritmos genéticos e
sistemas especialistas proporcionam os métodos mais eficientes para resolver uma grande
variedade de problemas. Cada uma dessas técnicas tem propriedades computacionais
particulares (por exemplo, habilidade de aprender, explanação das decisões) que as faz ótimas
para certos problemas particulares e não para outros. Por exemplo, quando as redes neurais
artificiais são boas em reconhecimento de padrões, não são boas em explicar como alcançam
suas decisões, que é bem realizado pela lógica fuzzy (RODRÍGUEZ, 2003).
Já os sistemas de inferência fuzzy, podem raciocinar com informações imprecisas, são
bons em explicar decisões, por outro lado, não podem gerar de modo automático as regras que
 40

se usam para realizar aquelas decisões. Estas limitações foram à motivação principal para a
criação dos sistemas híbridos inteligentes onde duas ou mais técnicas são associadas de modo
que supere as limitações de cada uma das técnicas individualmente (RODRÍGUEZ, 2003).
A utilização dos sistemas híbridos vem crescendo bem rápido com aplicações sucedidas
em muitas áreas, como exemplos, controle de processos, engenharia, negócios e finanças,
apoio a diagnóstico médico, em modelo de previsão e a simulação (RODRÍGUEZ, 2003).
Segundo Ramos (1999) os sistemas neuro-fuzzy também podem ser vistas como redes
multilayer feedforward de três camadas, como se pode verificar na Figura 12.

Figura12 – Arquitetura de um sistema neuro-fuzzy (www.din.uem.br/ia/intelige/neurofuzzy/).

A primeira camada (fuzificação) representa as variáveis de entrada, ou seja, o termo

antecedente da regra. A segunda camada (intermediária) representa as regras fuzzy e a terceira
camada (defuzificação) representa as variáveis de saída, ou seja, o termo consequente da
regra. A arquitetura do sistema neuro-fuzzy utilizado neste trabalho será descrita com mais
detalhes no próximo capítulo.
O algoritmo de aprendizagem ajusta os pesos das conexões, podendo criar ou remover
regras. As mudanças na rede, durante o processo de treinamento pode ser conhecido com base
na estrutura do sistema de inferência fuzzy, o que remove a idéia de caixa preta associada às
RNA. Portanto, pode-se obter o conhecimento resultante do processo de treinamento que está
estruturado em forma de regras fuzzy (RAMOS, 1999).
Sistemas neuro-fuzzy podem aprender no modo supervisionado, desde que se conheça a
saída esperada (RAMOS, 1999).
Num sistema neuro-fuzzy, são empregadas as operações t-normas ou t-conormas, da
aritmética fuzzy (FULLÉR, 1995), ao invés das operações de multiplicação e adição.
 41

Mais detalhes sobre sistemas híbridos podem ser encontrados em FULLÉR, 1995;
IYODA, 2000; CALDEIRA, 2007.

2.8 Aprendizagem de Sistemas Neuro-Fuzzy

O processo de aprendizagem necessita de uma partição inicial para cada variável. O

dado treinado é processado e os clusters, que cobrem as áreas onde o dado está localizado, são
adicionados à base de regras do classificador. No ciclo seguinte, apenas as melhores regras
são mantidas, reduzindo a quantidade de regras do sistema (RAMOS, 1999).
Após a criação da base de regras, as funções de pertinência são ajustadas através de
alguma heurística. Para cada regra, um erro é computado e este será usado para modificar as
funções de pertinência que tiveram influência na ativação da regra (NAUCK, 1997).
Para melhorar a capacidade de aprendizagem do sistema, podem ser introduzidos novos
conceitos (NAUCK, 1997), tais como: retreinar a base de regras, eliminarem regras e
variáveis. O retreinamento da base deve acontecer quando o erro não puder ser mais reduzido,
então se necessita reinicializar a criação das regras. As regras correntes serão comparadas
com as novas.
A eliminação de regras serve para reduzir a base, pois as regras com baixo desempenho
ou que cobrem dados de outra regra são removidas.
A eliminação de variáveis deve ser realizada quando as variáveis nunca atingirem nem o
grau de pertinência mínimo de todas as variáveis do antecedente da regra. Se isto acontecer, a
variável deve ser excluída deste antecedente (RAMOS, 1999).

2.9 Vantagens dos Sistemas Neuro-Fuzzy

Diferentemente das redes neurais artificiais convencionais, os sistemas neuro-fuzzy,

usando técnicas como o aprendizado neuro-fuzzy descritas em Nauck (1997) que podem
extrair regras da base de dados, sem qualquer interferência humana. Estas bases de regras
fuzzy são usadas para gerar os classificadores fuzzy e são requisitadas em processos de suporte
à decisão.
Outra vantagem sobre as redes neurais é o fato dos sistemas neuro-fuzzy terem seu
funcionamento completamente compreensível devido a regras estarem próximas da linguagem
 42

natural. Os sistemas neuro-fuzzy não possuem a característica de caixa preta, que causou
tantas discussões entre os pesquisadores. Todas as decisões tomadas podem ser analisadas e
entendidas (RAMOS, 1999).
Os sistemas neuro- fuzzy apresentam as características importantes como classificação e
agrupamento em clusters. Também são usadas em várias aplicações que envolvem previsão
(FULLÉR, 1995). Por meio das regras fuzzy, podem-se obter o relacionamento entre a entrada
e a saída.
Os sistemas neuro-fuzzy possuem as características fundamentais requisitadas para
desenvolver um sistema de mineração de dados (NAUCK, 1997). Estes sistemas podem ser
usados em sistemas de previsão, análise de risco, ou qualquer sistema de suporte à tomada de
decisão (FULLÉR, 1995).
Segundo Osório (1999) os principais sistemas neuro-fuzzy citados na literatura sobre
este tipo de métodos híbridos são: FuzzyARTMAP, FUN, Fuzzy COPE, NEFCON
NEFCLASS- NEFPROX,FUNEGEN e ANFIS.
A seguir, apresenta-se o método neuro-fuzzy ANFIS baseado em sistema de inferência
fuzzy tipo Takagi-Sugeno que faz parte deste trabalho.
 43

3 ARQUITETURA DO MODELO DO SISTEMA DE INFERÊNCIA NEURO-

FUZZY ADAPTATIVO – ANFIS

O Sistema de Inferência Neuro-Fuzzy Adaptativo (Adaptive Neuro-Fuzzy Inference

System - ANFIS) é uma rede neural proposta por Jang (1993), cuja idéia básica é de
implementar um sistema de inferência fuzzy por meio de uma arquitetura paralela distribuída,
neste caso, a de uma RNA, de tal forma que os algoritmos de aprendizado possam ser usados
para ajustar este sistema de inferência fuzzy (TEIXEIRA et al., 2007).
Os parâmetros associados com as funções de pertinência são ajustados via um algoritmo
de aprendizado. O ajuste destes parâmetros é efetuado utilizando o algoritmo back-
propagation ou uma combinação deste com um algoritmo do tipo mínimos quadrados (Least
Squares). Esta estrutura programa sistemas do tipo Takagi-Sugeno (TAKAGI; SUGENO,
1985), com funções lineares ou constantes nos conseqüentes das regras que formam o sistema,
tendo estas regras pesos unitários (HUAMANI, 2003).
Dado um conjunto de padrões entrada-saída, o ANFIS constrói um sistema de inferência
neural e fuzzy equivalente (HUAMANI, 2003).
O sistema ANFIS apresenta então sua característica típica, necessitando de um processo
de fuzificação dos dados de entrada, porém não precisando fazer o processo inverso no final,
sendo a saída calculada diretamente.
O treinamento compõe-se de duas etapas. A primeira envolvendo o algoritmo LSE
(Least Square Estimation) sobre os parâmetros do consequente para cada regra (os parâmetros
do consequente permanecem fixos nesta etapa). Na segunda etapa, utiliza-se o algoritmo
back-propagation sobre os parâmetros do precedente da regra (aqui, os parâmetros do
consequente permanecem fixos) (AZEVEDO et al., 2000).
O uso de funções de pertinência contínuas permite obter expressões contínuas para a
descida de gradiente, necessária ao algoritmo back-propagation. Este ciclo é executado então
para um número de interações pré-fixadas.
Um número excessivo de épocas de treinamento pode levar a uma deformação das
funções de pertinência. O uso de restrições sobre a faixa de valores possíveis dos parâmetros
do precedente pode ser útil de forma a evitar tal efeito e permitir uma interpretação lingüística
aceitável das entradas.
 44

A Figura 13 mostra o sistema neuro-fuzzy equivalente e a Figura 14, ilustra o

mecanismo de inferência associado ao modelo. Este sistema possui duas entradas x, y, uma
saída f e duas regras da forma:

Regra 1 : SE (x é A1) E (y é B1) ENTÃO f1 = p1x + q1y + r1 (4)

Regra 2 : SE (x é A2) E (y é B2) ENTÃO f2 = p2x + q2y + r2 (5)

Considerando o exemplo ilustrado, a saída da camada 1 é composta pelos graus de

pertinência do padrão de entrada (x, y) com relação aos subconjuntos fuzzy que formam a
partição de x e y, respectivamente.

Figura 13 – Estrutura do ANFIS (adaptado de Jacintho, 2010).

A primeira camada é composta pelo o grau de pertinência do padrão de entrada (x, y).
Nesta camada calcula-se o grau de pertinência com que as entradas precisas satisfazem os
termos lingüísticos associados a estes nós. A dinâmica do treinamento determina a evolução
dos vários parâmetros.
Na segunda camada, cada nó corresponde a uma regra, nesta calcula-se o grau de
ativação de cada regra, ou seja, com que grau o conseqüente da regra está sendo atendido. Os
neurônios desta camada executam a operação de t-norma (geralmente produto). Trata- se de
camada com elemento estático.
A segunda camada calcula o grau de ativação de cada regra. No caso do exemplo
ilustrado na Figura 14 e considerando a t−norma como o produto algébrico (neurônio Π), tem-
se:
 45

wi = μAi(x)μBi(y), i= 1, 2

Figura 14 – Mecanismo de inferência ANFIS (adaptado de JANG, 1997).

Sendo que qualquer outro tipo de operador t−norma pode ser utilizado na
implementação do neurônio Π.
A terceira camada também é estática, sendo responsável pelo cálculo do grau de
ativação normalizado das variáveis partes consequentes do sistema TSK subjacente.
Na terceira camada, os graus de relevância de cada regra são normalizados via
neurônios N, isto é:

wi
wi i 1,2 (6)
w1  w2

Na quarta camada as saídas do neurônio são calculadas pelo produto entre os níveis de
disparo normalizados e o valor da regras do conseqüente da regra em si. Seus parâmetros
correspondem aos coeficientes das expressões afins.
As funções de ativação dos neurônios que formam a quarta camada são definidas como:

z 4 ,i wi f i wi ( pi  qi y  ri ) (7)

Sendo pi, qi, ri os parâmetros associados aos consequentes das regras.

A camada 5 calcula a saída precisa. É fixa e responsável pela soma de sinais de entradas
locais e respectiva propagação para a saída.
 46

A saída f do sistema neuro-fuzzy é calculada da seguinte maneira:

¦wf
¦ wi f i (8)
i i i
f
i ¦w i i

Estas variáveis ajustáveis são os parâmetros associados aos antecedentes das regras.

O processo de treinamento é composto de duas etapas. Na primeira etapa (forward), os

parâmetros dos antecedentes são fixos e os parâmetros dos conseqüentes são determinados via
algoritmo dos mínimos quadrados. Na segunda etapa (backward), os sinais de erro são
retropropagados e os parâmetros dos antecedentes são atualizados via o método do gradiente
descendente (retropropagação). Maiores detalhes podem ser encontrados em (JANG, 1997).

3.1 Aprendizado do modelo ANFIS

Se um conjunto de treinamento (conjunto clássico) é apresentado na camada de entrada

do sistema, então os parâmetros do sistema neuro-fuzzy que determinam a forma da função de
pertinência, podem ser ajustados usando métodos de otimização de tipo descendente
(RODRÍGUEZ, 2003).
A regra de aprendizado híbrido combina a descida a mais métodos descendentes (SD) e
o método de mínimos quadrados para atualizar os parâmetros no ANFIS. Para que a
aprendizagem híbrida seja aplicada em grupo, cada época é composta de um passo forward e
de um passo backward. No passo forward, os parâmetros das funções de pertinência são
inicializados e um vetor de entrada-saída é apresentado, calculam-se as saídas do nó para cada
camada da rede, então os parâmetros θ são calculados usando o método de mínimos
quadrados (RODRÍGUEZ, 2003).
Depois de identificar os parâmetros, o erro é calculado como a diferença entre a saída da
rede e a saída desejada apresentada nos pares de treinamento. No passo backward, os sinais
do erro são propagados desde a saída na direção das entradas; o vetor gradiente é acumulado
para cada dado de treinamento. No final do passo backward para todos os dados de
treinamento, os parâmetros na camada 1 (os parâmetros das funções de pertinência) são
atualizados pelo método descendente.
 47

Isto significa que a taxa de aprendizagem é variável e ajusta-se automaticamente.

(RODRÍGUEZ, 2003).
Dentre os sistemas ditos neuro-fuzzy, pode-se destacar os sistemas que criam regras a
partir de observações anteriores, especialmente usados na previsão de séries como o ANFIS.
O método ANFIS aplica inferência fuzzy ao sistema. As funções de pertinência são
escolhidas automaticamente através de aprendizado neuro-adaptativo.
Um algoritmo constrói um “sistema fuzzy de inferência” (FIS) cujas funções de
pertinência são sintonizadas (tuned) usando algorítmo de retropropagação (back propagation)
sozinho ou combinado com o método dos mínimos quadrados. Com isso, o sistema aprende
com os dados do modelo.
Seguem abaixo os passos para uso do método ANFIS (BRUSAFERRO, 2006):
• Coletar dados de entrada e saída;
• Usar o algoritmo ANFIS para treinar a FIS;
• Usar dados de entrada conhecidos no modelo FIS treinado;
• Verificar o erro entre as saídas conhecidas e a saída do modelo;
• Deve-se tomar cuidado com o “model-overfitting” (sobreajuste ou ajuste excessivo
dos exemplos de treino, ou seja, aprendem-se inclusive os ruídos e os erros. Ocorre
freqüentemente quando temos muitas variáveis e poucos dados);
• Dados para o treinamento devem representar bem o modelo.

Limitações do modelo:
• Deve ser usado como um Sugeno de primeira ordem, ou seja, as regras são do tipo
função linear (no de ordem zero elas são constantes);
• Tem saída simples do tipo linear ou constante;
• Não pode haver compartilhamento de regras;
• Tem peso unitário para cada regra (BRUSAFERRO, 2006).

A aplicação do sistema ANFIS está em recursos disponíveis na Fuzzy Logic Toolbox do

programa computacional Matlab. O uso do Toolbox será demonstrado no capítulo de materiais
e métodos dessa tese.
 48

4 POLUIÇÃO ATMOSFÉRICA

4.1 Poluentes

A poluição atmosférica é uma das questões ambientais mais críticas no planeta devido
ao seu impacto sobre a saúde humana, principalmente em grandes áreas urbanas. Desde que
surgiram os primeiros ancestrais do homem no planeta Terra, há aproximadamente um milhão
de anos, estes têm atuado de forma transformadora e predatória sobre a natureza. A partir da
descoberta do fogo, aproximadamente 800 mil anos antes de Cristo, o Homem passou a
contribuir de forma desordenada (inconsciente) para a deterioração da qualidade do ar, e hoje
mais do que nunca, vem sofrendo com as consequências desse ato (BRAGA et al., 1999).
Estes processos não foram acompanhados de análises que pudessem avaliar o impacto
da poluição sobre o meio ambiente, a toxicidade dos resíduos produzidos e os prováveis danos
à saúde (CANÇADO et al., 2006).
De fato, a rápida urbanização, o crescimento demográfico, a queima de biomassa, a
industrialização e um número crescente de veículos automotores são hoje as principais causas
da poluição atmosférica; o crescimento econômico de centros urbanos tem causado o aumento
da poluição atmosférica particularmente por monóxido de carbono (CO), óxidos de nitrogênio
(NOx), dióxido de enxofre (SO2), ozônio (O3), hidrocarbonos (HC) e material particulado
(MP) dentre outros, em associação com as variações climáticas como a umidade relativa do ar
(UR), ventos, chuvas (precipitações) e a temperatura do ar (T°).
Poluente atmosférico é definido como qualquer substância no ar cuja concentração
possa ser prejudicial à saúde dos seres humanos, fauna, a flora e até mesmo aos mais diversos
tipos de materiais. Os poluentes incluem quase todas as composições naturais ou artificiais de
matéria em suspensão no ar que pode ser transportada pelo mesmo. Apresentam-se na forma
de partículas sólidas, líquidas, gases, ou combinadas. São constatados mais de 100
contaminantes do ar, sendo divididos nas seguintes categorias: sólidos, compostos sulfúricos,
químicos orgânicos voláteis, compostos nitrogenados, compostos oxigenados, compostos
radioativos e odores (CETESB, 2012).
Segundo Cançado et al. (2006), poluição atmosférica pode ser definida como a presença
de substâncias estranhas na atmosfera, resultantes da atividade humana ou de processos
naturais, em concentrações suficientes para interferir direta ou indiretamente na saúde,
segurança e bem estar dos seres vivos.
 49

Considera-se poluente qualquer substância presente no ar e que pela sua concentração

possa torná-lo impróprio, nocivo ou ofensivo à saúde, inconveniente ao bem estar público,
danoso aos materiais à fauna e à flora ou prejudicial à segurança, ao uso e ao gozo da
propriedade e às atividades normais da comunidade (CONAMA, 1990).
Mesmo mantida as emissões de poluentes do ar sobre controle, a qualidade do ar é
diretamente influenciada pela distribuição e intensidade das emissões de poluentes
atmosféricos e podem sofrer alterações em função das varáveis climáticas (umidade relativa
do ar, temperatura, pressão e chuva) ao longo do dia.
As fontes naturais de poluição do ar são a queima acidental de biomassa (qualquer
material derivado de plantas ou animais), ações biológicas em pântanos e erupções
vulcânicas, as quais podem ser consideradas as mais antigas fontes de contaminação do ar
(CANÇADO et al., 2006) e as antropogênicas (fontes móveis – veículos; fontes fixas –
fábricas, termoelétricas).
A partir da Revolução Industrial a antropogênica ficou mais evidente, surgiram novas
fontes de poluição do ar devido à queima de combustíveis fósseis nos motores a combustão e
nas indústrias siderúrgicas. Recentemente, somaram-se as fontes emissoras de poluente os
veículos automotivos com uma frota cada vez maior e também dos produtos químicos
(ARBEX et al., 2004).
Poluentes podem ser classificados em primários e secundários. Os poluentes primários
são emitidos diretamente pelas fontes emissoras para a atmosfera, e os secundários são
resultantes de reações químicas (fotoquímica) entre os poluentes primários e componentes
normais da atmosfera (CETESB, 2012).
Os principais poluentes primários monitorados no Brasil e pelas principais agências
ambientais em todo o mundo são óxidos de nitrogênio (NO2 ou NOx), compostos orgânicos
voláteis (COVs), monóxido de carbono (CO) e dióxido de enxofre (SO 2). Um exemplo de
poluente secundário é o ozônio (O3), formado a partir da reação química induzida pela
oxidação fotoquímica dos COVs e o NO2 na presença de raios ultravioleta provenientes da luz
solar (ARBEX et al., 2012).
A Organização Mundial da Saúde (OMS) lista seis poluentes atmosféricos clássicos,
sendo eles indicadores da qualidade do ar, é composto por: monóxido de carbono (CO),
chumbo (Pb), dióxido de nitrogênio (NO2), Material Particulado (MP) que inclui a poeira,
fumos, neblinas e fumaça, dióxido de enxofre (SO2) e ozônio (O3) (WHO, 1999).Os novos
parâmetros da OMS para o MP10 e MP 2.5 são demonstrados no ANEXO A.
 50

De acordo com a Cetesb (2012), os padrões de qualidade do ar podem ser divididos em

primários e secundários. São padrões primários de qualidade do ar as concentrações de
poluentes que, ultrapassadas, poderão afetar a saúde da população. Podem ser entendidos
como níveis máximos aceitáveis de concentração de poluentes atmosféricos, constituindo-se
em metas de curto e médio prazo. São padrões secundários de qualidade do ar as
concentrações de poluentes atmosféricos abaixo das quais se prevê o mínimo efeito adverso
sobre o bem estar da população, assim como o mínimo dano à fauna e à flora, aos materiais e
ao meio ambiente em geral. Os parâmetros primários e secundários de acordo com a CETESB
estão demonstrados no ANEXO B.
A seguir será realizada uma breve descrição sobre os poluentes: material particulado
(MP10), ozônio (O3) e o dióxido de enxofre (SO2), utilizados no trabalho.

4.1.1 Material Particulado – MP10

O material particulado (MP) é um conjunto de poluentes constituído de poeiras,

fumaças e todo o tipo de material sólido e líquido que se mantém suspenso na atmosfera por
causa de seu pequeno tamanho. Esse poluente é resultado da queima incompleta de
combustíveis e de seus aditivos, de processos industriais, do desgaste de pneus e freios, além
da queima de biomassa (SALES; MARTINS, 2005).
De acordo com a CETESB o material particulado pode ser classificado de acordo com o
diâmetro aerodinâmico como:
Partículas Totais em Suspensão – PTS – podem ser definidas de maneira simplificada
como aquelas cujo diâmetro aerodinâmico é menor que 50μm. Uma parte destas partículas é
inalável e pode causar problemas à saúde, outra parte pode afetar desfavoravelmente a
qualidade de vida da população, interferindo nas condições estéticas do ambiente e
prejudicando as atividades normais da comunidade.
Fumaça – FMC – está associada ao material particulado suspenso na atmosfera
proveniente dos processos de combustão. O método de determinação da fumaça é baseado na
medida de refletância da luz que incide na poeira (coletada em um filtro), o que confere a este
parâmetro a característica de estar diretamente relacionado ao teor de fuligem na atmosfera.
Partículas Inaláveis – MP10 – podem ser definidas de maneira simplificada como
aquelas cujo diâmetro aerodinâmico é menor que 10μm.
 51

Partículas Inaláveis Finas – (MP2,5) – Podem ser definidas como aquelas cujo
diâmetro aerodinâmico é menor que 2,5μm. Existem também as partículas ultrafinas com
diâmetro de 0,1 micra com capacidade de transpor a barreira alvéolo capilar e atingir a
circulação sistêmica.
O material particulado pode-se formar na atmosfera a partir de gases como dióxido de
enxofre (SO2), óxidos de nitrogênio (NOx), compostos orgânicos voláteis (COVs), que são
emitidos principalmente em atividades de combustão, transformando-se em partículas como
resultado de reações químicas no ar, poeiras minerais transportadas pelo vento, podendo
conter endotoxinas e partículas biológicas com alergênicos associados (CETESB, 2013).
Ainda, como fontes naturais de material particulado, podem ser apontadas os vulcões,
aerossóis marinhos e a ação do vento sobre o solo. Fontes antropogênicas criadas a partir da
intervenção humana sobre a natureza podem ser observadas em processos industriais (por
exemplo, o processo de extração de brita, realizado por pedreiras) tráfego rodoviário e a
combustão fóssil.
Normalmente, o ar atmosférico contém partículas em suspensão que variam de 0,1 μm a
10μm de diâmetro. Partículas maiores que 10μm são efetivamente filtradas pelo nariz e pela
nasofaringe, onde essas grandes partículas ficam depositadas e podem ser vistas em
expectoração e/ou saliva. Partículas menores que 10μm de diâmetro (MP10) ficam retidas nas
vias aéreas superiores e podem ser depositadas na árvore traqueobrônquica. As partículas
menores que 2,5μm (MP2,5) depositam-se no brônquio terminal e nos alvéolos (CASTRO et
al., 2009).
Atualmente, existem parâmetros reguladores para o MP10 e segundo a CETESB seu
valor de referência é classificado como bom (em níveis aceitáveis), quando atinge até 50
μg/m³ em 24 horas.
O tamanho das partículas está diretamente associado ao seu potencial para causar
problemas à saúde, sendo que quanto menores as partículas, maiores os efeitos provocados.
O material particulado pode também reduzir a visibilidade na atmosfera e é considerado
um dos poluentes atmosféricos mais críticos.

4.1.2 Ozônio – O3

O Ozônio é um gás incolor, inodoro em concentrações ambiental, relativamente

insolúvel em água e não é emitido diretamente na atmosfera. È também o principal
 52

componente da névoa fotoquímica, o Smog. É considerado um importante oxidante

fotoquímico sendo bastante irritante (CETESB, 2011).
“Oxidantes fotoquímicos” é a denominação que se dá à mistura de poluentes
secundários formados pelas reações entre os óxidos de nitrogênio (NOx) e compostos
orgânicos voláteis (VOCs), na presença de luz solar, sendo estes últimos liberados na queima
incompleta e evaporação de combustíveis e solventes. O principal produto desta reação é o
ozônio, por isso mesmo utilizado como parâmetro indicador da presença de oxidantes
fotoquímicos na atmosfera. Tais poluentes formam a chamada névoa fotoquímica ou “smog
fotoquímico”, que possui este nome porque causa na atmosfera diminuição de visibilidade
(CETESB, 2013).
Forma-se no ar em resultado de reações fotoquímicas que envolvem, também, os óxidos
de azoto emitidos para o ar em resultado de combustões a temperaturas elevadas. Neste
processo também são libertados para o ar ambiente ácido nítrico, formaldeído e oxidantes
orgânicos. Os seus níveis são mais elevados no verão e no período da tarde (GOMES, 2002).
Este é o ozônio troposférico, encontrado na faixa de ar próxima da superfície terrestre,
onde respiramos que é tóxico. O ozônio presente na estratosfera (entre 25 e 30 km de
altitude), forma uma camada protetora (conhecida como camada de ozônio) com importante
função de proteger a Terra, como um filtro, dos raios ultravioletas emitidos pelo sol
(CETESB, 2012).
Os níveis têm aumentado progressivamente desde o início do século XX. Diversos
estudos epidemiológicos revelam um aumento dos sintomas respiratórios e alterações na
função respiratória mesmo após exposições de curta duração (GOMES, 2002).
Segundo a CETESB, seu valor de referência é classificado como bom (em níveis
aceitáveis), quando atinge até 80 μg/m³ em 1 hora.

4.1.3 Dióxido de Enxofre – SO2

O SO2 é um gás não inflamável, sem cor, com odor forte e irritante aos olhos. Ele
reage com uma variedade enorme de partículas, é solúvel em água e pode ser oxidado. Este
gás é produzido por fontes antropogênicas como refinarias de petróleo, veículos a diesel,
fornos e metalurgia e fabricação de papel e por fontes naturais como a atividade vulcânica
(principal fonte de emissão natural). A queima de combustíveis fósseis é fonte de emissão do
SO2 (CETESB, 2013).
 53

As principais características do SO2 lançado para a atmosfera, após o processo de

oxidação é que ele pode ser transformado em trióxido de enxofre (SO3). O SO3 reage com a
umidade do ar dando origem ao ácido sulfúrico (H2SO4) e respectivos sais, sendo assim, um
dos principais formadores de chuvas ácidas.
O SO2 é mais denso do que o ar e quando está na mesma temperatura do ar tende a
ocupar locais mais baixos, sendo responsável pela redução da visibilidade na atmosfera.
Os danos do SO2 à saúde humana podem ser aumentados na presença de material
particulado e outros poluentes em concentrações altas; e com uma maior morbidade e
mortalidade por doenças respiratórias, particularmente a asma brônquica e a bronquite crônica
(GOMES, 2002).
Atualmente, segundo a CETESB seu valor de referência é classificado como bom (em
níveis aceitáveis), quando atinge até 80 μg/m³ em 24 horas (CETESB, 2012).
A tabela 2 apresenta as fontes emissoras e os efeitos sobre a saúde dos poluentes MP,
O3 e SO2.

Tabela 2– Fontes emissoras de poluentes e efeitos á saúde (adaptado de CETESB, 2012).

Poluentes Fontes de Emissão Efeitos à Saúde
Monitorados
Material Combustão incompleta originada da Interfere no sistema respiratório,
Partículado indústria, motores à combustão, pode afetar os pulmões e todo o
(MP) queimadas e poeiras diversas. organismo.
Ação irritante nas vias
Dióxido de Queima de combustíveis fósseis que respiratórias, o que provoca tosse
Enxofre contenham enxofre, como óleo e até falta de ar. Agravando os
(SO2) combustível, carvão mineral e óleo diesel. sintomas da asma e da bronquite
crônica. Afeta, ainda, outros
órgãos sensoriais.
Não é um poluente emitido diretamente Irritação nos olhos e nas vias
Ozônio pelas fontes, mas formado na atmosfera respiratórias, agravando doenças
(O3) através da reação entre os compostos pré-existentes, como asma e
orgânicos voláteis e óxidos de nitrogênio bronquite, reduzindo as funções
em presença de luz solar. pulmonares.
 54

4.2 Efeitos da poluição atmosférica sobre a saúde

A poluição do ar provoca doenças respiratórias (asma, bronquite e enfisema pulmonar)

e desconforto físico (irritação dos olhos, nariz e garganta, dor de cabeça, sensação de cansaço,
tosse), agrava doenças cardiorrespiratórias e contribui para o desenvolvimento de câncer
pulmonar. Esses problemas de saúde relacionados à poluição atmosférica por vários estudos
epidemiológicos e toxicológicos, até mesmo reconhecidos pela OMS têm alto custo social,
com gastos no tratamento de saúde, perda de horas de trabalho, redução da produtividade e até
mesmo com relação a morte prematura (SALES; MARTINS, 2005).
Estudos têm demonstrado em grandes cidades como São Paulo, Rio de Janeiro, Belo
Horizonte, Curitiba e Salvador, que variações nos os níveis de poluição têm relações danosas
à saúde da população. Ainda nesse sentido Motta, Mendes (1995), relacionaram os custos
com a saúde e a poluição do ar no Brasil. Já foram detectadas associações entre níveis diários
de poluentes atmosféricos e mortes em idosos; (SALDIVA et al., 1995; BASCON et al.,
1996; GOUVEIA; FLETCHER, 2000a;) internações por doenças respiratórias (GOUVEIA,
FLETCHER, 2000b; SALDIVA 2008; SALDANHA, 2005; AMÂNCIO, NASCIMENTO,
2012a) internações e mortes por doenças cardiovasculares (GOUVEIA et al., 2003; LIN et al.,
2003, FERNANDES et al., 2010; AMÂNCIO, NASCIMENTO, 2012a) e, ainda, mortes fetais
tardias (PEREIRA et al., 1998) e baixo peso ao nascer (NASCIMENTO; MOREIRA, 2009).
Atualmente, o problema se estende além dos grandes centros urbanos e também afetam
cidades de médio e pequeno porte (BAKONYI et al., 2004; SALES; MARTINS, 2005;
NASCIMENTO et al., 2006; BRAGA et al., 2007; NICODEMOS et al., 2009; BUENO,
2010; CARMO et al., 2010).
Segundo Braga et al. (2007) além das emissões industriais e veiculares, que são
características dos grandes centros urbanos, existem em cidades menores outras fontes de
emissão de poluentes que podem colocar em risco a saúde dos seus habitantes, tais como a
queima de biomassa, que tem se mostrado uma importante fonte de poluentes do ar. Tanto as
queimadas acidentais de florestas quanto aquelas realizadas deliberadamente (queima da cana
de açúcar, para a formação de pastagem, entre outras) promovem danos consideráveis à saúde
das populações expostas.
O material particulado (MP) é considerado como um dos maiores causadores de
efeitos nocivos a saúde humana dentre os poluentes presentes no ar e agregado a ele poderão
estar associados outros poluentes tais como metais e hidrocarbonetos (considerados
carcinogênicos), sendo então, o MP o transportador mais eficiente de poluentes atmosféricos
 55

para o interior do organismo humano e por isso tem recebido atenção especial nos estudos
relacionados à poluição atmosférica (GIODA; GIODA, 2006).
Quanto menor o diâmetro das partículas, mais nocivas elas podem se tornar. A poeira e
a fumaça podem provocar irritação ocular, nasal, do trato respiratório e pulmonar e até
bronquite, asma e mesmo a morte. O MP 2,5 devido ao seu tamanho diminuto atinge os
alvéolos pulmonares que se constituem na região mais profunda do sistema respiratório onde
ocorrem as trocas gasosas, provocando dificuldades respiratórias, podendo também originar
doenças respiratórias crônicas, como a pneumoconiose (doença pulmonar causada por
inalação de poeira); e contribuindo para um aumento da mortalidade e morbidade (GIODA;
GIODA, 2006)
Entre as partículas inaláveis, as mais grossas ficam retidas, por ação da gravidade, na
parte superior do sistema respiratório, desencadeando rinites e sinusites (SALES; MARTINS,
2005).
De acordo com a Agência de Proteção Ambiental dos Estados Unidos (EPA), os MP 10
constituem um risco acrescido para a asma.
As partículas finas e ultrafinas estão relacionadas principalmente com a morbidade em
idoso por doenças cardiovasculares e nas crianças por doenças respiratórias (SILVA, 2010).
Em altas concentrações o ozônio é um gás tóxico que pode desenvolver lesões
irreversíveis a via respiratória e ao parênquima pulmonar. O O3 pode provocar irritações nos
olhos, nariz e garganta, seguindo-se tosse e dor de cabeça. A sua ação pode ser percebida,
mesmo para concentrações baixas e para exposições de curta duração, principalmente em
crianças (WHO, 2005).
Segundo O’Connor et al.(2008), a exposição ao O3 leva a um maior número de
internações hospitalares por doenças respiratórias em indivíduos com doenças respiratórias
pré-existentes. A exposição prolongada provoca sintomas de bronquite e acentuação da queda
anual do Volume Expiratório Forçado no 1 segundo (FEV1) que caracteriza a obstrução das
vias aéreas inferiores (BASCOM et al., 1996).
A inalação de O3 em estudos experimentais predispôs dor retroesternal durante a fase de
inspiração e uma redução do Volume Expirado Forçado no primeiro segundo (FEV1) e na
Capacidade Vital Forçada (FVC), efeitos que aumentam com a atividade física. O ozônio
provoca um aumento da resposta à metacolina (substância que induz ao broncoespasmo) e à
exposição a alergênicos (BASCOM et al., 1996), causando ainda, alterações celulares e
bioquímicas, que provoca um aumento de neutrófilos nas vias aéreas (GOMES, 2002).
 56

Outros efeitos possíveis da exposição ao O3 são as lesões celulares e diminuição da

permeabilidade celular. Sendo o O3 pouco solúvel, penetra profundamente nas vias aéreas
periféricas, sendo o processo inflamatório das vias aéreas parece ser mais marcante nos
pacientes asmáticos do que na população saudável (GOMES, 2002).
O dióxido de enxofre é irritante para as mucosas dos olhos e do sistema respiratório
podendo ter efeitos agudos e crônicos na saúde dos indivíduos expostos, reportados
predominantemente ao aparelho respiratório. Tem efeitos tóxicos aumentado em pacientes
com doenças respiratórias prévias e cardiovasculares pré-existentes. A exposição em longo
prazo provoca um aumento da tosse e expectoração; e tem também efeito broncoconstritor
(broncoespasmo) em pacientes asmáticos levando a diminuição do fluxo aéreo (CETESB,
2012).
O SO2 uma vez inalado dissolve-se na camada de muco que reveste o epitélio das vias
aéreas e transformam-se em ácido sulfúrico, sulfitos, bissulfitos e sulfatos. Estes produtos tal
como o SO2 interferem com as pontes de dissulfitos, mas o mecanismo ainda não está bem
esclarecido. Há liberação de mediadores da inflamação que induzem hipersecreção de muco e
estimulação das terminações nervosas aumentando os episódios de tosse. A exposição
prolongada pode causar alterações obstrutivas das vias aéreas semelhantes às da bronquite
crônica (CETESB, 2012).
Sozinho provoca irritação no sistema respiratório, e convertido em partículas pode ser
conduzido as vias aéreas inferiores, podendo causar danos ao parênquima pulmonar. Mesmo
em níveis tolerados pelas agências de controle, o SO2 tem sido associado ao aumento de
morbidade cardiovascular em pessoas idosas (CETESB, 2012).
 57

5 DOENÇAS RESPIRATÓRIAS

O sistema respiratório, por sua exposição direta com o meio externo e pelas funções, de
condução do ar e da troca gasosa, que desempenha, está particularmente exposto às agressões
do ambiente e é frequentemente local de alterações de maior ou menor intensidade e
gravidade (GOMES, 2002).
Doenças das vias respiratórias altas e baixas podem ser doenças infecciosas (resfriado
comum e pneumonias) ou não infecciosas (renite alérgica e asma). Em estudos de campo,
entretanto, nem sempre é possível distinguir a origem infecciosa ou não infecciosa da doença
respiratória (BENÍCIO et al., 2000).
Segundo Galvão e Santos (2009) definem pneumonia como uma infecção aguda do
parênquima pulmonar com uma inflamação do espaço alveolar, que pode comprometer a troca
gasosa. Comumente, esta inflamação resulta da invasão principalmente de bactérias, vírus ou
fungos, embora também possa resultar de uma lesão química.
Segundo as Diretrizes da Sociedade Brasileira de Pneumologia e Tisiologia para o
Manejo da Asma (2012), asma é uma doença inflamatória crônica, caracterizada por
hiperresponsividade brônquica e por limitação variável ao fluxo aéreo, reversível
espontaneamente ou com tratamento, manifestando-se clinicamente por episódios recorrentes
de sibilância, dispnéia, aperto no peito e tosse. Resulta de uma interação entre genética,
exposição ambiental a alérgenos e irritantes, e outros fatores específicos que levam ao
desenvolvimento e manutenção dos sintomas.
A poluição do ar causa uma resposta inflamatória no aparelho respiratório induzida pela
ação de substâncias oxidantes, as quais acarretam aumento da produção, da acidez, da
viscosidade e da consistência do muco produzido pelas vias aéreas, levando,
conseqüentemente, à diminuição da resposta e/ou eficácia do sistema mucociliar (GOMES,
2002).
A literatura biomédica está repleta de estudos sobre os efeitos agudos da poluição do ar
sobre a saúde. A maior ênfase é dada a dois desfechos: mortalidade e admissões hospitalares
(CANÇADO et al., 2006).
As doenças respiratórias constituem importante causa de adoecimento e morte em
adultos e crianças no mundo (TOYOSHIMA et al., 2005). Segundo dados da Organização
Mundial de Saúde (OMS- 2012), calculam que nos dias atuais exista cera de 235 milhões de
 58

pacientes com asma. Ainda segundo a OMS as mortes por asma aumentarão entorno de 20%
nos próximos 10 anos caso não se tomam medidas urgentes.
No Brasil, as doenças respiratórias agudas e crônicas também ocupam posição de
destaque. Em 2007, foram registradas mais de 700 mil internações por pneumonia e em 2011
foram registradas aproximadamente 160 mil internações por asma (BRASIL, 2011).
A asma, a bronquite crônica e o câncer do pulmão são as doenças do aparelho
respiratório, que têm relações mais estreitas com a poluição atmosférica. Assiste-se a um
aumento da prevalência da asma em todo o Mundo (WHO, 1995), principalmente nos países
industrializados, um aumento da bronquite crônica nos fumadores e nos não fumadores e são
em número crescente os trabalhos que demonstram a correlação entre o aumento da
prevalência destas patologias e a poluição atmosférica (WHO, 2001).
Durante a respiração a inalação dos poluentes do ar produz diversos efeitos biológicos
sobre o corpo humano. As partículas inaladas podem depositar-se nas vias aéreas e interferir
com os mecanismos fisiológicos de limpeza do pulmão ou depositar-se no parênquima
pulmonar e eventualmente contribuir para o desenvolvimento da Doença Pulmonar Obstrutiva
Brônquica (DPOC), ou câncer do pulmão se a exposição se mantiver durante anos. O pulmão
pode ainda servir de porta de entrada para a circulação sistêmica e serem atingidos vários
órgãos (GOMES, 2002).
Entretanto, apesar da importância epidemiológica das doenças respiratórias em nosso
contexto, informações mais precisas sobre sua freqüência, distribuição e tendências de
evolução recente ainda são escassas no Brasil, principalmente para morbidade, uma vez que
para mortalidade dispomos de um Sistema de Informações – SIM, já bastante consolidado
(TOYOSHIMA et al., 2005).
A poluição do ar, mesmo com valores abaixo do nível permitido pelos órgãos
responsáveis CONAMA, CETESB, EPA, WHO; tem afetado de forma significativa a vida
dos seres vivos (PEREIRA et al., 1998; SALDIVA et al., 1995).
As faixas etárias mais atingidas são as crianças com idade abaixo de 2 anos
(imaturidade pulmonar) e os idosos (envelhecimento fisiológico do pulmão), grupos bastante
suscetíveis aos efeitos deletérios da poluição do ar (BAKONYI et al., 2004).
Embora o mecanismo biológico específico ainda esteja em estudo, diversos autores
sustentam que o efeito deletério da poluição atmosférica na saúde da população é causal
(MARTINS et al., 2002).
Em um estudo de revisão realizado por Arbex et al. (2012), tem-se um excelente
material relacionando poluição do ar e o sistema respiratório.
 59

6 VARIÁVEIS CLIMÁTICAS

As variáveis climáticas; temperatura do ar, umidade relativa do ar, precipitação, pressão

atmosférica e ventos, são componentes ambientais que influenciam diretamente e
indiretamente na saúde humana, pois o ser humano está permanentemente em contato com o
meio ambiente atmosférico pelo intermédio de trocas térmicas, hídricas e gasosas (PITTON;
DOMINGOS, 2004; MENDONÇA, 2000).
Segundo Braga, Zanobetti e Schwartz (2002), os parâmetros meteorológicos que mais
afetam as pessoas são a temperatura do ar, a umidade do ar, a velocidade do vento e a
radiação solar, porém, as condições extremas de calor e frio têm se mostrado de maior
significância em termos de morbidade e mortalidade humana. As grandes variações de
temperatura, tanto no verão, como no inverno, são causadoras de mortes devido a problemas
respiratórios.
Segundo Stocco et al. (2010), algumas doenças podem ser induzidas pelo clima em
épocas diferentes e demonstram em suas incidências correlações íntimas com as condições
climáticas e com a estação do ano, afetando a resistência do corpo humano, influenciando o
crescimento, a propagação e a difusão de alguns organismos patogênicos ou de seus
hospedeiros.
Em condições favoráveis de altas temperaturas e baixa umidade o tempo de
permanência dos poluentes na atmosfera fica aumentado, podendo ser transportados a longas
distâncias. Estes poluentes associados às condições climáticas podem afetar a saúde de
populações distantes das fontes geradoras de poluição (OPAS, 2008).

6.1 Umidade Relativa do Ar (UR) e Temperatura do ar (T°)

As alterações de temperatura, umidade e o regime de chuvas podem aumentar os efeitos

das doenças respiratórias, assim como alterar as condições de exposição aos poluentes
atmosféricos. Dada a evidência da relação entre alguns efeitos na saúde devido às variações
climáticas e aos níveis de poluição atmosférica, tais como os episódios de inversão térmica,
aumento dos níveis de poluição e o aumento de problemas respiratórios, parecem inevitáveis
que as mudanças climáticas de longo prazo possam exercer efeitos à saúde humana a nível
global (OPAS, 2008).
 60

Isto se verifica em relação à asma, alergias, infecções bronco-pulmonares e infecções

das vias aéreas superiores (sinusite), principalmente nos grupos mais suscetíveis, que incluem
as crianças menores de 5 anos e indivíduos maiores de 65 anos de idade (BARCELLOS et al.,
2009).
As doenças infecciosas são mais rapidamente difundidas entre a população durante a
estação fria, devido, principalmente, ao agrupamento de pessoas em ambientes fechados, uma
vez que na estação quente as pessoas realizam mais atividades externas (STOCCO et al.,
2010).
Mudanças climáticas bruscas ajudam a piorar a qualidade do ar respirado, sobretudo
quando a massa de ar frio dificulta a corrente de ventos e faz precipitar o material particulado
da atmosfera nas grandes cidades. Com isso, há aumento significativo para os casos de
pneumonia, asma e bronquiolite (PEREIRA, 1995).
A análise da umidade relativa do ar (UR) é essencial em determinada região, visto que
esta variável meteorológica pode causar danos principalmente a saúde de uma comunidade. O
uso de estimativas da UR pode ser de grande utilidade para precauções no que se refere a
cuidados da saúde humana.
Segundo Barcelos et al. (2009) os problemas mais comuns observados devido à baixa
umidade relativa do ar são as complicações alérgicas e respiratórias; devido o ressecamento
das mucosas, sangramento pelo nariz, ressecamento da pele, irritação dos olhos.
Os efeitos das mudanças climáticas podem ser potencializados, dependendo das
características físicas e químicas dos poluentes e das características climáticas como
temperatura, umidade e precipitação (BARCELOS et al., 2009).
As alterações de temperatura, umidade e o regime de chuvas podem aumentar os efeitos
das doenças respiratórias, assim como alterar as condições de exposição aos poluentes
atmosféricos (BARCELOS et al., 2009).
Dada a evidência da relação entre alguns efeitos na saúde devido às variações climáticas
e aos níveis de poluição atmosférica, tais como os episódios de inversão térmica, aumento dos
níveis de poluição e o aumento de problemas respiratórios, parecem inevitáveis que as
mudanças climáticas de longo prazo possam exercer efeitos à saúde humana a nível global
(BARCELOS et al., 2009).
Em áreas urbanas alguns efeitos da exposição a poluentes atmosféricos são
potencializados quando ocorrem alterações climáticas, principalmente as inversões térmicas
(BARCELOS et al., 2009).
 61

O aumento da temperatura também está associado ao incremento de partículas

alergênicas produzidas pelas plantas, aumentando o número de casos de pessoas com
respostas alérgicas e asmáticas (ZAMORANO et al., 2003).
Segundo Arbex et al. (2004) é sabido que a umidade relativa do ar e temperatura afeta a
qualidade do ar e como consequência afeta também, a saúde humana.
No período seco, quando a temperatura do ar atinge valores muito altos e umidade
relativa do ar muito baixa, sugerem-se cuidados com a saúde, haja vista que a umidade
relativa do ar muito baixa pode causar problemas respiratórios, ressecamento de pele,
sangramento do nariz, irritação dos olhos, dentre outros, sem mencionar o aumento do risco
de incêndios (FERNANDES, 2010).
Ainda segundo Fernandes (2010) os efeitos dos poluentes acima citados, sofrem
influência diretas de outros fatores, como a ação do vento, da umidade e temperatura.

6.2 Temperatura Aparente (Tap)

Segundo Barnett (2010), a temperatura aparente pode ser quantificada através de um

índice relacionado à temperatura do ar e da umidade relativa do ar e tem como objetivo
combinar os efeitos do calor e frio no corpo humano.
A temperatura aparente se difere da temperatura ambiente real por levar em conta a
umidade relativa. Para calcular a temperatura aparente neste trabalho foi utilizada a fórmula
descrita por Barnett (2010) ANEXO C.
Quando há baixa umidade relativa, a temperatura aparente pode ser menor do que a
temperatura ambiente, pois, o suor evapora para esfriar o corpo. A evaporação do suor da pele
no ser humano é o mecanismo natural que o corpo possui para regular a própria temperatura.
Porém, quando o ar está muito úmido o processo é diminuído ou dificultado. Como resultado,
em dias quentes e úmidos as pessoas têm sensações térmicas mais desagradáveis e, assim,
surge sinais de fadiga no corpo.
A temperatura aparente fornece valores absolutos independentes da localização das
coletas de dados.
 62

7 MATERIAIS E MÉTODOS

Este trabalho foi realizado no município de São José dos Campos- SP, cidade de médio
porte do interior do Estado de São Paulo que possui importante parque industrial. Situa-se nas
coordenadas 23° 10’ S e 45° 52’ O, no Alto Vale do Paraíba paulista, a 600 m acima do nível
do mar. Tem clima úmido e tropical de altitude, localiza-se entre São Paulo e Rio de Janeiro –
as duas maiores cidades do Brasil – e é cortada pela Rodovia Presidente Dutra, uma das mais
importantes rodovias do país e que tem tráfego intenso. Em 2010, sua população era estimada
em torno de 630 mil habitantes, conforme apresentado na Figura 15.

Figura 15 - Mapa do município de São José dos Campos (http://maps.google.com.br. 1:5Km).

A seguir, será apresentado o método para a realização deste trabalho, o qual será
dividido em 3 módulos, sendo eles: limpeza e elaboração do banco de dados; elaboração e
validação do modelo fuzzy (Mamdani) e elaboração e validação do modelo neuro-fuzzy
(Sugeno).
 63

Trata-se de um estudo do tipo ecológico de séries temporais utilizando as ferramentas

da lógica fuzzy para desenvolver os modelos computacionais. Para a realização do trabalho
foram coletados dados reais das internações por pneumonia e asma brônquica (CID10: J 12-
18 e J45) em indivíduos de todas as idades residentes na cidade de São José dos Campos, no
período de 01/01/2007 a 31/12/2007. Esses dados foram obtidos do Departamento de
Informações e Informática do Sistema Único de Saúde - DATASUS. Também foram
coletados os dados reais dos níveis dos poluentes ambientais: material particulado (MP 10),
dióxido de enxofre (SO2) e ozônio (O3), em suas médias diárias, obtidos da Companhia de
Tecnologia de Saneamento Ambiental - CETESB, que conta com uma estação medidora no
município de São José dos Campos.
A técnica utilizada pela CETESB para dosar o MP10 é o monitor beta; para o SO2, a
coulometria; e para o O3, a quimiluminescência, tendo sido quantificados em μg/m3. Os dados
de temperatura e umidade foram obtidos da Fundação de Ciência, Aplicações e Tecnologias
Espaciais – FUNCATE no mesmo período de 2007 e utilizados para calcular a temperatura
aparente (Tap) de acordo com Barnett (2010).
A fase inicial do método proposto para desenvolver os modelos preocupou com a
seleção e organização do banco de dados com as variáveis de entrada e saída. Os dados
referentes aos poluentes e variáveis climáticas, de entrada, foram extraídos das tabelas
fornecidas pela Cetesb e Funcate, Figura 16.
 64

Figura 16 - Valores médios MP10 (CETESB), do ano de 2007(próprio autor).

No círculo número 1, visto na figura 16, tem-se o valor do MP10 (a mesma seleção foi
realizada para o O3, SO2, Tap) e no número 2 a data das medidas dos mesmos. Esses valores
fazem parte das quatro primeiras colunas de uma planilha desenvolvida no programa Excel.
Os dados referentes às internações diárias por pneumonia e/ou asma foram obtidos
através da seguinte rotina: www2.datasus.gov.br/DATASUS/índex.php, clicar: 1- em
informações de saúde, 2- serviços, 3- transferência de arquivos, 4- SIHSUS reduzida,
Figura17.

Figura 17 - Caminho para obter planilha DATASUS (próprio autor).

Em seguida selecionou-se: UF (SP), informou-se o mês (todos), informou-se o ano

(2007) e o tipo de arquivo (RD), Figura 18.

Figura 18 - Arquivo para baixar planilhas DATASUS (próprio autor).

Em seguida aparecerão os links dos arquivos para downloads, Figura 19.

 65

Figura 19 - Arquivos para downloads para obter planilha DATASUS (próprio autor).

A planilha DATASUS possui 75 colunas das quais se observa as mais importantes

(circuladas e enumeradas) para selecionar as internações: 1- ano da internação, 2- o mês e 3- o
código do município (São José dos Campos-SP), Figura 20.

Figura 20 - Planilha fornecida pelo DATASUS (próprio autor).

 66

As colunas ainda foram selecionadas de acordo com: 4- a data de internação e 5- pelo

CID 10 (J12-18 e J45) os quais são de pneumonia e asma, respectivamente, Figura 21.

Figura 21 - Planilha obtida do DATASUS. (próprio autor).

Após selecionar: 6- data de internação, 7- CID 10 para pneumonia e asma, 8- foram

contados os números de internações para pacientes com pneumonia e asma, dia a dia,
referente ao ano de 2007, Figura 22. O número de internações foi colocado na sexta coluna da
planilha final. Este procedimento foi realizado para cada dia do ano, onde pode ser visto que
no dia primeiro de janeiro de 2007 ocorreram 6 internações, no dia dois de janeiro ocorreram
duas internações e assim sucessivamente.

Figura 22 - Planilha para gerar número de internações (próprio autor).

Por fim, foi obtido o banco de dados final que será utilizado para realizar este trabalho.
A planilha é composta pelos seguintes dados de entrada: 1- Material particulado (MP10);
2- Ozônio (O3); 3- Dióxido de enxofre (SO2); 4-Temperatura aparente (Tap); e 5- como saída
o número de internações por doenças respiratórias (pneumonia e asma) na cidade de São José
dos Campos.
Este banco de dados foi composto de 345 dados (ano de 2007) e foi elaborado com o
auxílio do programa Excel, conforme apresentado na Figura 23.
 67

Figura 23 - Planilha desenvolvida no programa Excel (próprio autor).

Esta planilha foi utilizada duas vezes neste trabalho: primeiro foi utilizada para validar o
modelo fuzzy (Mamdani) elaborado no toolbox fuzzy do Matlab. O Matlab possui uma rotina
(ddeinit) que permite gerar uma saída numérica para o modelo fuzzy elaborado. Com esta
rotina é possível comparar os valores obtidos do banco de dados real com os resultados
obtidos do modelo; desta forma, é possível avaliar o SIF fuzzy Mamdani realizando a
correlação entre os dados obtidos no banco de dados real e os dados obtidos no modelo fuzzy.
Quanto maior a correlação, melhor a acurácia do modelo fuzzy elaborado.
Na segunda, a planilha foi utilizada para realizar o treinamento do sistema neuro-fuzzy
ANFIS. Este treinamento foi realizado utilizando o toolbox neuro-fuzzy do Matlab. Para isso,
a planilha foi dividida em duas partes: a metade dos dados foi utilizada para elaborar o
treinamento do sistema e a segunda metade dos dados foi utilizada para realizar o teste (25%
dos dados) e a validação dos dados treinados (25% dados) do modelo.
O sistema neuro-fuzzy ANFIS gera automaticamente o SIF fuzzy Sugeno.
Posteriormente, este SIF foi comparado com o SIF fuzzy Mamdani elaborado anteriormente.
A seguir, será apresentado os modelos elaborados.
 68

7.1 Modelo Fuzzy

A seguir, são apresentados os dados de entrada e saída utilizados para elaborar o modelo
fuzzy. A proposta é apresentar um método que permita estimar os números de internações por
pneumonia e asma utilizando o sistema de inferência fuzzy do tipo Mamdani.

As variáveis de entrada para o modelo fuzzy são: material particulado (MP10), ozônio
(O3), dióxido de enxofre (SO2), temperatura (Tap). O universo de discurso para cada variável
de entrada foi selecionado da planilha (vide Figura 23).

A Tabela 3 apresenta a classificação das variáveis de entrada obtida na base de dados

com valor mínimo e máximo (universo de discurso):

Tabela 3 - Dados de entradas e suas respectivas variações

Variável de entrada Variação
3
MP10 (μg/m ) 8,0 - 68,0
3
O3 (μg/m ) 17,0 - 209,0
3
SO2 (μg/m ) 0,9 - 27,0
Tap (˚C) 5,7 - 20,2

O modelo foi desenvolvido usando o método de inferência proposta por Mamdani,

Figura 24; e foi implementado usando o software computacional do toolbox fuzzy Matlab 7.1.

Figura 24 - Sistema de inferência fuzzy Mamdani com quatro entradas e uma saída (próprio autor).
 69

A variável de saída representa o número de internações de pacientes com as doenças

respiratórias pneumonia e asma, essa variável de saída apresenta uma variação de zero a 16
pacientes, apresentadas na Tabela 4. Na lógica fuzzy é possível trabalhar com variáveis
lingüísticas. Neste trabalho foi realizada a seguinte classificação para a saída: muito baixo,
baixo, médio, alto e muito alto.

Tabela 4 - Classificação da variável de saída

Intervalo Classificação
[0; 1] Muito baixo
[2; 4] Baixo
[5; 7] Médio
[8; 10] Alto
[11; 16] Muito alto

A saída representa a variável número de internações sendo fornecida com cinco funções
de pertinência, Figura 25: muito baixo, baixo, médio, alto, muito alto.

Figura 25 - Número de internações (MBX: muito baixo, BX: baixo, MED: médio, alto e MALTO: muito
alto (próprio autor).

Segundo Caldeira et.al. (2007), a função de pertinência é bastante subjetiva. Quando

uma função é especificada para um mesmo conceito, esta pode apresentar resultados variados
quando definida por especialistas diferentes. A função de pertinência define o quanto um
elemento pertence a um conjunto e também representa os limites de cada um destes conjuntos
fuzzy. As funções de pertinência mais utilizadas são as triangulares e as trapezoidais. Neste
trabalho foi realizado com as funções de pertinência do tipo trapezoidal.
A classificação de cada variável de entrada foi feita com base nos valores máximos e
mínimos dos dados. Cada universo de discurso possui duas funções de pertinência do tipo
trapezoidal e suas variações realizadas no primeiro quartil.
 70

7.1.1 Material Particulado (MP10)

Tabela 5 - Classificação quanto ao nível de material particulado no ambiente

Intervalo Classificação
[8,22] BOA
[23,68] REGULAR

O modelo foi desenvolvido da opinião um especialista que elaborou as seguintes

funções de pertinência:
Duas funções de pertinência fuzzy para a variável MP10, Figura 26: boa e regular.

Figura 26 - Conjunto fuzzy para MP10 (μg/m3) (BOA e REG: regular) (próprio autor).

Observa-se que o universo de discurso varia de 8 a 68 μg/m3 (valor mínimo e máximo,

Tabela 3, página 68) e a transição das funções em torno de 22 μg/m3 (valor de transição do
MP10 prejudicial à saúde, Tabela 5).

7.1.2 Ozônio (O3)

Tabela 6 - Classificação quanto ao nível de ozônio

Intervalo Classificação
[17, 99] BOA
[100, 209] INADEQUADO

Duas funções de pertinência fuzzy são definidas para variável O3 conforme apresentado
na Figura 27: boa e inadequado.
 71

Figura 27 - Conjunto fuzzy para O3 (μg/m3) (BOA E INAD: inadequado) (próprio autor).

Observa-se que o universo de discurso varia de 17 a 209 μg/m3 (valor mínimo e

máximo, Tabela 3, página 68) e a transição das funções em torno de 100 μg/m3 (valor de
transição do O3 prejudicial à saúde, Tabela 6).

7.1.3 Dióxido de Enxofre (SO2)

Tabela 7 - Classificação quanto ao nível de dióxido de enxofre

Intervalo Classificação
[0,9; 2,5] BOA
[2,6; 27] INADEQUADO

Duas funções de pertinência fuzzy para a variável SO2, Figura 28: boa e inadequado.

Figura 28 - Conjunto fuzzy para SO2 (μg/m3) (BOA E INAD: inadequado (próprio autor).

Nota-se que o universo de discurso varia de 0,9 a 27 μg/m3 (valor mínimo e máximo,
Tabela 3, página 68) e a transição das funções em torno de 2,5 μg/m3 (valor de transição do
SO2 prejudicial à saúde, Tabela 7).
 72

7.1.4 Temperatura Aparente (Tap)

Tabela 8 - Classificação quanto à temperatura aparente

Intervalo Classificação
[5,7; 17] INADEQUADA
[18; 20,2] BOA

Duas funções de pertinência fuzzy para a variável Tap, Figura 29: inadequada e boa.

Figura 29 - Conjunto fuzzy para Tap (INAD: inadequada e BOA) (próprio autor).

Nota-se que o universo de discurso varia de 5,7 a 20,2 ˚C (valor mínimo e máximo,
Tabela 3, página 68) e a transição das funções em torno de 18 ˚C (valor de transição do Tap
prejudicial à saúde, Tabela 8).

Base de regras fuzzy

Na Tabela 9 são apresentadas as 16 regras (24 – duas funções de pertinência para as

quatro entradas).

Tabela 9- Regras geradas por especialista para o modelo fuzzy

Regras MP10 O3 SO2 Tap N˚ INT Peso

1 BOA BOA BOA BOA MBX 1

2 BOA BOA BOA INAD BX 1

3 BOA BOA INAD BOA BX 1

4 BOA BOA INAD INAD MED 1

5 BOA INAD BOA BOA BX 1

6 BOA INAD BOA INAD MED 1

 73

7 BOA INAD INAD BOA MED 1

8 BOA INAD INAD INAD ALTO 1

9 REG BOA BOA BOA BX 1

10 REG BOA BOA INAD ALTO 1

11 REG BOA INAD BOA MED 1

12 REG BOA INAD INAD MALTO 1

13 REG INAD BOA BOA ALTO 1

14 REG INAD BOA INAD MALTO 1

15 REG INAD INAD BOA ALTO 1

16 REG INAD INAD INAD MALTO 1

Ao se combinarem todas as possíveis entradas, construindo 16 regras, foi possível

observar que todas são plausíveis e por isso todas as regras possuem peso um.

A Figura 30 apresenta a base de regras editada no toolbox fuzzy do Matlab.

Figura 30 - Regras fuzzy editadas no programa Matlab (próprio autor).

 74

Rule viewer do toolbox Matlab

A Figura 31 apresenta a janela do rule viewer do toolbox do Matlab, a partir desta pode-
se observar que com média concentração de poluentes, boa temperatura aparente, tem-se um
número médio, aproximado seis de internações.

Figura 31 - Janela rule viewer gerada pelo matlab (próprio autor).

O rule viewer é utilizado para validar o modelo, pois apresenta o resultado do mesmo.

Outra forma de validar o modelo é por meio da rotina ddeinit (ANEXO D), desta forma,
pode-se comparar o resultado real com o obtido pelo modelo.

Esta rotina gera todos os resultados dados pelo modelo a partir dos dados de entrada.
Desta forma, pode-se validar o modelo fuzzy.

A acurácia do modelo fuzzy foi estudada pela área sob a Curva ROC. Neste trabalho
consideraram-se defasagens (lags) de até dois dias, tendo em vista, que os efeitos de
exposição aos poluentes podem se manifestar no mesmo dia da exposição ou nos dias
subsequentes.

As saídas geradas pelo modelo foram comparadas e correlacionadas com os dados reais
de internação utilizando o coeficiente de correlação de Pearson (p > 0,01).
 75

7.2 Modelo Neuro-fuzzy

A seguir, é apresentado o modelo obtido por meio do sistema neuro-fuzzy ANFIS.

Para a construção do modelo neuro-fuzzy, como ferramenta para implementação será

usado o programa computacional Matlab no módulo denominado Toolbox ANFIS, que
consiste em uma implementação do método proposto por Roger Jang (JANG, 1993).

Para criar o conjunto de treinamento do sistema ANFIS foram utilizados os dados reais
diários referentes às concentrações dos poluentes: material particulado (MP10), ozônio (O3) e
dióxido de enxofre (SO2) e da variável climática: temperatura aparente (Tap) para as entradas.
Os dados diários das internações por pneumonia e asma, para a saída, são referente ao período
de 01 de janeiro a 31 de dezembro de 2007. Estes dados foram fornecidos pelo Departamento
de Informações e informática do Sistema Único de Saúde (DATASUS) obtido do portal
DATASUS. Vide planilha na Figura 23, página 66.

Os dados foram divididos da seguinte forma: 50% para realizar o treinamento do

sistema, 25% para testar e 25% para validar o modelo neuro-fuzzy. Estes dados foram
selecionados aleatoriamente.

As saídas geradas pelo modelo neuro-fuzzy foram correlacionadas com os dados reais
de internações utilizando o coeficiente de Pearson (p > 0,01)

A seguir, será apresentado como funciona o toolbox ANFIS do Matlab.

7.2.1 ANFIS: Toolbox do Matlab

O toolbox ANFIS do Matlab é obtido por meio do comando anfisedit. A Figura 32, a
seguir, exibe a tela inicial do toolbox ANFIS. Os principais comandos estão em destaque,
circulados e enumerados de um a seis. Em seguida será comentado o que cada comando
realiza ao ser acionado (MATLAB, 2012).

1 - Load Data - Carrega os dados do modelo. Devem-se inserir os dados de treinamento

(Training), dados de teste (Testing), e dados de verificação (Checking). É disponibilizado um
conjunto de dados de demonstração (Demo) para fins didáticos. Os dados podem ser
importados direto do disco rígido (disk) ou da área de trabalho do Matlab (work).
 76

Figura 32 - Janela inicial do ANFIS (próprio autor).

A Figura 33, mostra como carregar a tabela de dados para treinamento com colunas de
entrada e saída, respectivamente.

Figura 33 - Conjunto de dados para treinamento (próprio autor).

As quatro primeiras colunas estão relacionadas com os dados de entradas do modelo e a

quinta coluna com os dados da saída.

Janela com os dados que foram treinados são apresentados na Figura 34.
 77

Figura34 - Dados a serem treinados (janela ANFIS) (próprio autor).

2 - Clear Data – Este comando apaga os dados carregados. Os subconjuntos para o

ANFIS serão constituídos da seguinte forma em percentual do total de dados: 50% para o
conjunto de treinamento, 25% para o conjunto de teste e 25% para o conjunto de verificação.
3 - Generate FIS - Este comando cria ou importa o sistema de inferência fuzzy (.fis),
onde são configuradas as funções de pertinência com relação ao número de funções, ao tipo e
característica da função de saída constante ou linear, como pode ser visto na Figura 35.

Figura 35 – Geração do FIS, janela do toolbox para gerar funções de pertinência (próprio autor).
 78

Nesse trabalho foi escolhido o método Grid Partition, com duas funções de pertinência
para a primeira variável MP10, duas funções de pertinência para a segunda variável O3, duas
funções de pertinência para a terceira variável SO 2, duas funções de pertinência para a quarta
variável (Tap); e a variável de saída, número de internações por pneumonia e asma
(constante).
Os valores dos números das funções de pertinências vão variando de acordo com o
treinamento e verificação para o menor erro do modelo. A tabela apresentado no ANEXO E
mostra todas as simulações realizadas neste trabalho.
4 - Train Now - Neste item, são definidos os parâmetros de treinamento: tolerância a
erro (Error Tolerance), número de épocas (Epocchs) e algoritmo de treinamento híbrido ou
back-propagation (Optim. Method), Figura 36.

Figura 36 – Trainamento FIS (próprio autor).

Como parâmetro para o treinamento, foi escolhido o método de treinamento híbrido,

que consiste pela combinação do método de back-propagation e o dos mínimos quadrados,
sendo o primeiro associado às estimativas dos parâmetros das funções de pertinência de
entrada, e o segundo, associado às estimativas dos parâmetros de saída das funções de
pertinência.
Outros parâmetros que foram usados são: tolerância de erro mais próximo a zero e o
número inicial de épocas igual a 30. O número de épocas pode aumentar ou diminuir de
acordo com o sistema a ser implementado. Lembrando que sempre se deve tomar cuidado
com o supertreinamento (Overfitting).

5 - Test Now - A base de dados é colocado a prova com a saída do sistema que foi
treinado, Figura 37. Na janela de teste é apresentado o erro apresentado pelo modelo e as
saídas reais e a gerada pelo modelo.
 79

Figura 37 - Testando agora (test now) janela toolbox ANFIS para teste do sistema (próprio autor).

A Figura 38 apresenta quão próximo ou distante o sistema está do resultado e também

apresenta o erro obtido pelo modelo (2.691).

Figura 38 – Janela de treinamento (próprio autor).

O próximo passo será inserir os dados para checagem (check) do modelo, Figura 39.
 80

Figura 39 – Checagem (próprio autor).

A ferramenta de checagem pode-se verificar mais uma vez se o modelo gerado pelo
ANFIS está bom, ou seja, apresentando um erro baixo e nenhum dado incoerente.

6 - Structure – Nesta janela é possível visualizar a arquitetura da rede gerada pelo

ANFIS, Figura 40.

Figura 40 – Estrutura ANFIS (Próprio Autor).

Este sistema possui quatro entradas, a camada um apresenta duas funções de pertinência
para cada uma das entradas; na camada três tem-se a agregação das 16 regras (42); e por
último, uma saída.
 81

8 RESULTADOS E DISCUSSÃO

Este é o primeiro estudo a ser realizado em uma cidade de médio porte como São José
dos Campos e no estado de São Paulo a utilizar a técnica de modelagem fuzzy e neuro-fuzzy
para previsão do número de internações por algumas doenças respiratórias (pneumonia e
asma) com relação à exposição aos poluentes do ar.
Trata-se da construção de um modelo computacional, utilizando-se das ferramentas da
lógica fuzzy, para estimar o número de internações por asma e pneumonia relacionadas aos
poluentes do ar.
Os dados reais diários de internações por asma e pneumonia, foram considerados como
variável de saída dos modelos; e durante o período de estudo foi registrado o total de 1710
(correspondendo a 6,6% de todas as internações) internações na cidade de São Jose dos
Campos.
Os valores mínimos e máximos dos poluentes, temperatura aparente e número de
internações foram utilizados como universo de discurso para a elaboração do modelo fuzzy.
A análise descritiva das variáveis consideradas neste estudo encontra-se na Tabela 10..
Tabela 10 - Valores das médias, desvio padrão, mínimos e máximos das variáveis: material particulado (MP 10),
ozônio (O3), dióxido de enxofre (SO2), temperatura aparente (Tap), segundo tipo de saída número de internações
(NINTER), São José dos Campos-2007.
Média dp Mínimo Máximo

MP10 (μg/m3) 16,0 11,3 8,0 68,0

O3 (μg/m3) 91,0 67,9 17,0 209,0

SO2 (μg/m3) 3,8 3,3 0,9 27,0

Tap (˚C) 17,9 0,9 5,7 20,2

NINTER 4,9 2,9 0,0 16,0

O número de internações variou entre zero e 16 internações por dia, com média de 4,9
internações e desvio padrão de 2,9.
O valor médio da concentração MP10 ficou em 16 μg/m3 apresentando nível máximo em
68 μg/m3, nível bem menor do que o padrão de qualidade do ar preconizado pelo CONAMA,
que é de 150 μg/m3. Porém, segundo a CETESB (2012) que descreve sobre a qualidade do ar
e efeito à saúde, índices entre 51 e 100 μg/m3 de material particulado é classificado como
 82

regular e pode causar sintomas como tosse seca e cansaço em indivíduos com doenças
respiratórias.
Segundo estudo realizado por Arbex (2004), o material particulado pode levar a
irritação das vias aéreas, inflamação, aumento da reatividade brônquica, diminuição da
atividade muco ciliar e tendo como conseqüências aumento nas crises asmáticas e das
infecções respiratórias.
Em pesquisa realizada por Gouveia (2006) na cidade de São Paulo-SP, observou-se que
com o aumento em 10 μg/m3 na concentração do material particulado gerou-se um aumento
de aproximadamente 5% no número de internações por asma em crianças. Da mesma forma
Nascimento et. al (2006), observaram a associação entre a concentração de poluentes do ar e o
aumento na morbidade em crianças por problemas respiratórios na cidade de São José dos
Campos - SP.
A concentração média do O3 ficou em 91 μg/m3 e a máxima de 209 μg/m3 durante o
período de 2007, esse valor ficou muito próximo ao valor encontrado no estudo de Amâncio
(2012) com uma média de 74,3 μg/m3. O O3 ultrapassou por 12 dias os valores de níveis
aceitáveis pelo CONAMA que é de 160 μg/m3. No relatório da CETESB (2012), os níveis
valores inadequados do O3 situado entre 180-200 μg/m3 e pode causar em crianças com
doença respiratória agravos aos sintomas da asma e na população em geral sintomas como
ardor no nariz, garganta e olhos bem como tosse seca e cansaço. O O 3 teve um crescimento
significativo no último ano no município de São José dos Campos conforme último relatório
da CETESB (2012).
Na cidade de São Paulo-SP, as internações hospitalares diárias em crianças por sintomas
respiratórios aumentaram em 5% e especificamente por pneumonias foram acrescidas em 8%
para aumento dos níveis de O3 (GOUVEIA, 2000).
Para o SO2 a concentração máxima foi de 27 μg/m3 e apresentou uma média de em 3,8
μg/m3, valor que não difere muito do que encontrado em pesquisa realizado na mesma cidade
com dados coletados entre 2004 e 2005 (AMÂNCIO, 2012).
As concentrações médias encontradas no presente estudo estão dentro dos valores
toleráveis pela OMS, que aceita nível de exposição máxima de até 20 μg/m3 durante 24 horas.
Em pesquisa conduzida no município de São Paulo, encontrou-se uma média de SO2 de
17,71 μg/m3, o que difere do valor encontrado nesse estudo (GOUVEIA, 2006). Essa
diferença pode ser explicada pela maior emissão desse poluente em São Paulo, devido à maior
frota de veículos, uma das principais fontes desse poluente.
 83

Mesmo em concentrações consideradas seguras pelos principais órgãos controladores,

os poluentes podem causar efeitos adversos à saúde humana, principalmente sobre os sistemas
cardiovasculares e respiratórios.

Modelo Fuzzy

O modelo fuzzy baseado no processo de inferência de Mamdani foi desenvolvido

utilizando duas funções de pertinência para cada uma das entradas material particulado
(MP10), ozônio (O3), dióxido de enxofre (SO2) e temperatura aparente (Tap) e cinco funções
de pertinência para a saída número de internações (NINTER), sendo gerada a seguinte
estrutura apresentada na Figura 41.

Figura 41: Estrutura do modelo fuzzy Mamdani (Próprio Autor).

Para realizar a comparação da saída do modelo fuzzy proposto com a saída real, foi
realizada uma rotina (ddeinit), que gera uma saída numérica para o modelo fuzzy. Gerada a
saída pode-se então, realizar a correlação entre o modelo e os dados reais de saída.
 84

Os coeficientes de correlação de Pearson foram significantes entre os valores reais e

preditos r = 0,38 (p<0,01). O modelo fuzzy mostrou um nível satisfatório ao relacionar
poluentes e o número de internações quando comparado com as saídas reais; este valor pode
indicar um modelo adequado ao número reduzido de dados, apenas um ano.
Um valor ótimo para correlação seria próximo de 1,00. Porém para a área biológica este
valor é dificilmente alcançado e considera-se bom um valor próximo de 0,60 (FARAWAY,
apud TADANO, 2012).
Segundo Tadano (2012) pode-se ainda supor que para o caso específico de estudos do
efeito dos poluentes do ar sobre a saúde, o valor da correlação excelente não atinja 0,60.
Devido à falta de estudos nesta área com modelos fuzzy, não é possível realizar
comparações e obter uma conclusão mais precisa.
A área sob a Curva ROC foi significativa (p<0,05) para o lag 0 , lag 1 e lag 2 e estão
mostradas na Tabela 11, a seguir.
Tabela 11 - Valores para Curva ROC para Lag 0, Lag 1 e Lag 2 dos poluentes MP10, O3 e SO2.
Lag 0 Lag 1 Lag 2

MP10 0,92 (0,88-0,96) 0,75(0,64-0,85) 0,73(0,60-0,81)

O3 0,87 (0,82-0,92) 0,64 (0,52-0,76) 0,62(0,51-0,73)

SO2 0,95 (0,92-0,97) 0,73 (0,63-0,82) 0,79 (0,72-0,87)

Em estudos epidemiológicos é comum encontrar uma relação entre níveis de poluentes

do ar de um dia com os efeitos na saúde do dia seguinte, de dois dias depois ou até mesmo
após uma semana. Geralmente os pesquisadores ajustam o modelo para diferentes arranjos do
mesmo banco de dados com defasagens (lags). Em estudos de séries temporais, defasagens de
um a sete dias são aplicadas com certa freqüência (BAKONYI, 2004; MARTINS, 2004).
Na análise das defasagens, verifica-se um efeito sempre positivo que se torna
estatisticamente significativo nos lag 0, 1 e 2; demonstrando o efeito agudo que os níveis de
poluentes têm sobre a saúde dos expostos.

As Figuras 42, 43 e 44 mostram as Curvas ROC para os poluentes MP 10, O3 e SO2

respectivamente; e para lags 0 (A), 1 (B) e 2 (C).
 85

A) 0,92 (0,88-0,96)

B) 0,75 (0,64-0,85)

C) 0,71(0,60-0,81)

Figura 42- Gráficos da Curva ROC para MP10: A) Lag 0, B) Lag 1 e C)Lag 2(Próprio Autor).
 86

A) 0,87 (0,82-0,92)

B) 0,64 (0,52-0,76)

C) 0,62(0,51-0,73)

Figura 43- Gráficos da Curva ROC para O3: A) Lag 0, B) Lag 1 e C)Lag 2(Próprio Autor).
 87

A) 0,95 (0,92-0,97)

B) 0,73 (0,63-0,82)

C) 0,79 (0,72-0,87)

Figura 44- Gráficos da Curva ROC para SO2: A) Lag 0, B) Lag 1 e C) Lag 2(Próprio Autor).
 88

O rule viewer também pode ser utilizado para validar o modelo, pois apresenta o
resultado do mesmo como pode ser observado a seguir. Podem-se variar as entradas e, em
seguida, observar o sistema de reajustar e calcular a nova saída.

Em algumas situações particulares, como no caso demonstrado na Figura 45,

considerando a variável MP10 de 55μg/m3, O3 de 112μg/m3, SO2 de 8 μg/m3 e a Tap de 11˚C;
o modelo previu 13,8 de internações. Para as mesmas variáveis o número de internações reais
foi de 12.

Figura45: Tela de regras capturada do Matlab (Próprio Autor)

Já com o MP10 de 8 μg/m3, O3 de 34μg/m3, SO2 de 1μg/m3 e a Tap de 11,6˚C, o número

de internações foi 2,7 e para o número de internações reais de 3 , Figura 46.

Figura46: Tela capturada do Matlab com algumas regras (Próprio Autor).

O software Matlab também fornece, baseado no modelo fuzzy proposto, gráficos de

superfície nos 3 eixos, sendo o eixo z representando a variável de saída número de internações
e os eixos x, y representando as variáveis de entrada: MP 10, O3, SO2 e Tap.
 89

Como exemplo, o gráfico de superfície do número de internações, MP10 e Tap é

visualizado na Figura 47, onde pode ser notado que quanto maior o nível do MP10 e menor a
Tap, maior é o número de internação estimado pelo modelo.

Figura 47- Gráfico de superfície do número de internações relativo ao MP10 x Tap (Próprio Autor)

As análises com duas variáveis, entrada versus saída, são demonstrados a seguir, Figura
48.

Figura 48- Gráficos de Análises- a) NInter x MP10 e b) NInter x MP10 (Próprio Autor)

No gráfico (a) pode ser notado que o número de internações é maior com um maior
material particulado 40 μg/m3, com valores para ozônio 110 μg/m3, dióxido de enxofre 13,5
μg/m3 e temperatura aparente 14˚C, enquanto que no gráfico (b) o número de internações é
menor com um ozônio 40 μg/m3, dióxido de enxofre 1,5 μg/m3 e temperatura aparente 20˚C.

Modelo Neuro-Fuzzy

Para a criação do modelo neuro-fuzzy foram coletados, para a saída do modelo, dados
reais da base de dados do DATASUS para o número de internações de pacientes com asma e
pneumonia na cidade de São José dos Campos- SP, ano de 2007.
 90

Os dados de entrada coletados foram concentrações dos seguintes poluentes: MP10

(material particulado), Ozônio (O3), Dióxido de Enxofre (SO2) e a temperatura aparente
(Tap). Parte da planilha utilizada para gerar os modelos neuro-fuzzy pode ser vista a seguir,
Figura 49.

Figura 49- Planilha com dados de entrada e saída para gerar modelos neuro-fuzzy (Próprio Autor).
Durante o período de estudo, os dados referentes a 345 dias do ano de 2007 foram
incluídos para desenvolver o modelo, sendo utilizados 50% dos dados para treinamento, 25%
para teste e 25% para checagem do modelo.
Após várias simulações, ANEXO E, obteve-se os melhores resultados para o modelo
neuro-fuzzy quanto ao número de funções de pertinência (N MF), tipo da função de
pertinência (MF), saída constante, híbrido, erro igual a 0,01 e número de épocas (N épocas)
usadas para treinar o modelo, Tabela 12.
O número ideal de épocas é aquele em que a função erro tem seu ponto mínimo, mas
não pode ser muito alto para evitar o overfiting ou supertreinamento. Neste caso, o modelo
iria responder perfeitamente (erro aproximadamente igual a zero) para os dados de
treinamento, mas para os dados de checagem e teste iria apresentar um erro muito grande.
Tabela 12: Parâmetros e resultados do modelo neuro-fuzzy.

N MF MF N épocas Erro treino Erro teste Erro chec

2222 Bell 1.240 2.5364 3.3371 2.1332

3222 Bell 1.240 2.4440 3.7738 2.9264

2223 Bell 780 2.4462 3.1615 2.2245

 91

Na primeira coluna tem-se o número de funções de pertinência para as variáveis MP 10,

O3, SO2 e Tap, respectivamente. Na segunda coluna, o tipo das funções de pertinência, em
forma de sino (Bell). Na terceira coluna, tem-se o número de épocas utilizado para obter o
menor erro. Nas quarta, quinta e sexta colunas estão os erros dos dados de treinamento, do
teste e da checagem, respectivamente. O menor erro indica a melhor opção de funções de
pertinência.
A melhor correlação entre os dados reais e os dados do modelo foi de 0,44 para o
modelo com duas funções de pertinência para o MP10, duas para o O3, duas para o SO2 e duas
para a Tap; e tipo de função sino, como pode ser visto a seguir na Tabela 13.

Tabela 13- Correlações entre dados reais e dados dos modelos

Funções de pertinência Tipo de função Correlação

MF 2222
trimf 0.35
trapmf 0.28
gbellmf 0.44
gaussmf 0.36
MF 3222
trimf 0.34
trapmf 0.22
gbellmf 0.36
gaussmf 0.32
MF 2223
trimf 0.28
trapmf 0.28
gbellmf 0.37
gaussmf 0.43

Na tabela observam-se os resultados das correlações entre os dados reais e os dados

gerados pelos modelos neuro-fuzzy para a previsão do número de internações.
A área sob a Curva ROC foi significativa (p<0,05) somente para a lag 2 doMP10 e lag 0
do O3 , as lags estão mostradas na Tabela 14, a seguir.
Tabela 14 - Valores para Curva ROC para Lag 0, Lag 1 e Lag 2 dos poluentes MP10, O3 e SO2.
Lag 0 Lag 1 Lag 2

MP10 0,56 (0,42-0,70) 0,53 (0,39-0,67) 0,64(0,51-0,78)

O3 0,69 (0,54-0,84) 0,56 (0,41-0,70) 0,52(0,39-0,66)

SO2 0,53 (0,38-0,67) 0,50 (0,35-0,63) 0,56 (0,40-0,73)

 92

As figuras 50, 51 e 52 mostram as Curvas ROC para os poluentes MP 10, O3 e SO2

respectivamente; e para os lags 0, 1 e 2.

A) 0,56 (0,42-0,70)

B) 0,53 (0,39-0,67)

C) 0,64(0,51-0,78)

Figura 50- Gráficos da Curva ROC para MP10: A) Lag 0, B) Lag 1 e C)Lag 2 (Próprio Autor).
 93

A) 0,69 (0,54-0,84)

B) 0,56 (0,41-0,70)

C) 0,52(0,39-0,66)

Figura 51- Gráficos da Curva ROC para O3: A) Lag 0, B) Lag 1 e C)Lag 2 (Próprio Autor).
 94

A) 0,53 (0,38-0,67)

B) 0,50 (0,35-0,63)

C) 0,56 (0,40-0,73)

Figura 52- Gráficos da Curva ROC para SO2: A) Lag 0, B) Lag 1 e C) Lag 2 (Próprio Autor).

O modelo apresentou uma boa acurácia somente para o lag2 do MP 10 e lag0 do O3.
 95

Como exemplo usando o rule viewer, no caso mostrado na Figura 53, considerando a
variável MP10 de 53μg/m3, O3 de 112μg/m3, SO2 de 8μg/m3 e a Tap de 11˚C; o modelo previu
número de 10,7 internações. Para os dados reais houve 12 internações.

Figura 53: Tela capturada do Matlab

Outro exemplo, Figura 54, considerando as variáveis MP10 de 8μg/m3, O3 de 34μg/m3,

SO2 de 1μg/m3 e a Tap de 11,6 ˚C; o modelo previu 4,55 de internações. Para os dados reais o
número de internações foi de 3.

Figura 54: Tela capturada do Matlab (Próprio Autor)

 96

O Matlab gera gráficos de superfície nos 3 eixos, sendo o eixo z representando a

variável de saída número de internações (NINTER) e os eixos x, y representando as variáveis
de entrada: MP10 e Tap, é mostrado na Figura 55, onde pode ser notado que quanto maior o
MP10 e menor a Tap, maior é o número de internação estimado pelo modelo.

Figura 55- Gráfico de superfície do número de internações relativo ao MP10 x SO2 (Próprio Autor).

Este trabalho se diferencia de outros que estimam os riscos ou chances de risco que
ocorram internações por exposição aos poluentes do ar utilizando regressão logística, estudos
retrospectivos ou regressão de Poisson (BUENO et al., 2010; AMÂNCIO; NASCIMENTO,
2012). Ao contrário das regressões, os modelos fuzzy e neuro-fuzzy são capazes de realizar a
previsão do número de internações.
Os resultados do estudo apontam que os modelos têm grande capacidade em prever
fenômenos complexos e não lineares.
A teoria e aplicações dos conjuntos fuzzy tornou-se uma ferramenta importante para a
investigação médica com grande avanço do conhecimento. A aplicação da teoria de conjuntos
fuzzy na medicina é uma nova área de pesquisa. No entanto, esta abordagem tem
proporcionado resultados promissores em várias aplicações médica, propondo uma mudança
de paradigma na ciência da saúde (ORTEGA, 2001).
A vantagem de previsão das internações aqui apresentado está em que após ser
construído com o auxílio de um especialista, ele pode ser utilizado com base em dados reais
para as simulações, não necessitando da opinião de mais especialistas.
O modelo pode ser implementado em sistemas de saúde pública e pode servir como um
importante instrumento para a prevenção e tomadas de decisões quanto às variações do nível
de poluentes. Uma previsão acurada é crítica para os melhoramentos na área de poluentes e
 97

internações na saúde pública. Utilizar um bom índice de previsão permite identificar os

potenciais pacientes relacionando ao desfecho das internações, assim como poderá, no futuro,
ajudarem a equipe de saúde no tratamento. Modelos de previsão envolvendo poluentes e
número de internações pode ser uma ferramenta muito eficaz no planejamento para a gestão
da tomada de decisões adequadas na saúde pública.
Os modelos propostos neste trabalho representam uma modesta contribuição para este
cenário de mudança, uma vez que os resultados mostram que a teoria dos conjuntos fuzzy
pode ser uma ferramenta poderosa, para além da já existente.
O desenvolvimento de modelos utilizando a teoria fuzzy sobre o impacto da poluição
atmosférica na saúde pode ser vista como um avanço tecnológico.
Os modelos fuzzy e neuro-fuzzy são de baixo custo financeiro, tornando-os, assim,
possível de implantação e pode ser apresentado em um programa computacional específico
para esta finalidade.
 98

9 CONCLUSÃO

O presente trabalho foi desenvolvido no sentido de utilizar novas técnicas de abordagem

em relação aos poluentes do ar e efeitos sobre a saúde.
Os resultados obtidos em relação aos modelos apresentados (fuzzy e neuro-fuzzy) no
capítulo anterior permitem responder à questão inicial sobre a possibilidade de se construírem
modelos capazes de realizar previsões sobre internações hospitalares por asma e pneumonia.
Tanto o modelo fuzzy (Mamdani) quanto o modelo neuro-fuzzy (Sugeno) mostraram
resultados satisfatórios em relação à previsão de internações hospitalares por asma e
pneumonia, relacionadas aos poluentes do ar.
Conclui-se que foi verificada a associação entre os poluentes do ar e o número de
internações.
Foi possível desenvolver e validar os modelos fuzzy e neuro-fuzzy.
Realizando uma análise comparativa entre os modelos é possível observar que o modelo
neuro-fuzzy foi capaz de generalizar com uma precisão maior em comparação com o modelo
fuzzy. Apesar de apresentar uma melhor correlação do que o modelo fuzzy; o modelo neuro-
fuzzy apresentou uma pior acurácia.
Com os modelos propostos neste estudo é possível que profissionais da área da saúde
possam verificar em menor tempo a relação entre exposição aos poluentes e internações; e
como conseqüência menor tempo e custo final para tomada de decisões.
 99

REFERÊNCIAS

AMANCIO, C.T.; NASCIMENTO, L.F.C.. Asma e poluentes ambientais: um estudo de

séries temporais. Rev Assoc Med Bras, 58(3):302-307. 2012a.

AMANCIO, C.T.; NASCIMENTO, L.F.C.. Association of sulfur dioxide exposure with

circulatory system deaths in a medium-sized city in Brazil. Braz J Med Biol Res, Ribeirão
Preto, v. 45, n. 11, nov. 2012b.

ANTÓNIO, L.F.M. Modelo baseado em inferência difusa para a análise de risco na

operação de sistemas de energia. 83 p. Graduação. (Licenciatura em Engenharia
Eletrotécnica e de Computadores), Faculdade de Engenharia da Universidade do Porto, Porto:
FEUP, 2004.

ARBEX, M.A.; CANÇADO, J.E.D.; PEREIRA, L.A.A; BRAGA,A.L.F.; SALDIVA, P.H.N.

Queima de Biomassa e efeitos sobre a saúde. J. Bras. Pneumol. 30 (2): 158-175. 2004.

ARBEX, M.A.; SANTOS, U. P.; MARTINS, L. C.; SALDIVA, P.H.N.; PEREIRA, L.A.A;
BRAGA,A.L.F. A poluição do ar e o sistema respiratório. J Bras Pneumol. 38 (5): 643-655.
2012.

ASHISH, M.; RASHMI, B.. Prediction of daily air pollution using wavelet decomposition
and Adaptive- Network-based fuzzy inference system. International Journal of
Environmental Sciences. 2:1, 2011.

AZEVEDO, F. A.; BRASIL, F. M.; OLIVEIRA, R. C. L. Redes Neurais com Aplicações em

Controle e em Sistemas Especialistas. Florianópolis: Visual Books, 2000.

BAKONYI, S.M.C.; DANNI-POLIVEIRA, I.M.; MARTINS, L,C.; BRAGA, A.L.F.

Poluição atmosférica e doenças respiratória em crianças na cidade de Curitiba, PR. Rev.
Saúde Pública 2004;38;(5):695-700, 2004.

BALEEIRO, G.B.; Modelagem Neuro-Fuzzy na estimativa de volume de Eucalyptus sp.

51 p. (Monografia). Graduação em Ciência da Computação, Lavras: Universidade Federal de
Lavras, 2007.

BARCELLOS, C., MONTEIRO, A.M.V.; CORVALÁN, C.; GURGEL, H,C.; CARVALHO,

M.S.; ARTAXO, Paulo; HACON, S.; RAGONI, V. Mudanças climáticas e ambientais e as
doenças infecciosas: cenários e incertezas para o Brasil. Epidemiol. Serv. Saúde, Brasilia,
18(3):285-304, jul-set 2009.

BARNETT, A.G.; TONG, S.; CLEMENTS, A.C.A. What measure of temperature is the best
predictor of mortality? Environmental Research. 110: 604–611, 2010.
 100

BASCON, R.; BROMBREG, P. A.; COSTA, D. A.; DEVLIN, R.; DOCKERY, D. W.;
FRAMPTON, M. W. et al. Health effects of outdoor air pollution. Am J Respir Crit Care
Med. n. 153, p. 3-50. 1996.

BAUCHSPIESS,A. Introdução aos Sistemas Inteligentes Aplicações em Engenharia de

Redes Neurais Artificiais, Lógica Fuzzy e Sistemas Neuro-Fuzzy. Engenharia Elétrica da
Universidade de Brasília. Disponível em> HTTP://www.ene.unb.br/adolfo/Isi, Março de.
2008. Acesso em 12 de set. 2012.

BENÍCIO, M.H.D’A.; CARDOSO, M.R.A.; GOUVEIA, N.C.; MONTEIRO, C.A. Tendência

secular da doença respiratória na infância na cidade de São Paulo (1984-1996). Rev. Saúde
Pública 2000; 34(6 Supl.):91-101. Disponível no site: www.fsp.usp.br/rsp. Acesso em: 23
ago. 2012.

BRAGA, A. L. F.; CONCEIÇÃO, G. M. S.; PEREIRA, L. A. A.; KISHI, H. S.; PEREIRA, J.

C. R.; ANDRADE, M. F. et al. Air pollution and pediatric hospital admissions in São Paulo,
Brazil. J Environ Med. n. 1, p. 95-102, 1999.

BRAGA, A.L.F.; PEREIRA,L.A.A.; PROCÓPIO, M; ANDRÉ, P.A.A.; SALDIVA; P.H.N.

Association between air pollution and respiratory and cardiovascular diseases in Itabira,
Minas Gerais State, Brazil, Cad. Saúde Pública, Rio de Janeiro, 23, Sup. 4:S570-S578,
2007.

BRAGA, A. L. F.; ZANOBETTI, A.; SCHWARTZ, J. The Effect of Weather on Respiratory

and Cardiovascular Deaths in 12 U.S. Cities. Environmental Health Perspectives. v. 110, n.
9, p. 859-63, September 2002.

BRASIL. Ministério da Saúde. Departamento de Informática do SUS. DATASUS. Cadernos

de Informação de Saúde. Disponível em:
http://tabnet.datasus.gov.br/cgi/tabcgi.exe?sih/cnv/nruf.def Acesso em: 03 mar 2011.

BRUSAFERRO, Gustavo. Previsão do mercado automotivo brasileiro usando modelos

matemáticos e inteligência artificial. 2006. 157f. Dissertação de Mestrado, São José dos
Campos: Instituto Tecnológico de Aeronáutica, 2006.

BUENO, F. F.; Fonseca, A. R.; Braga, F. A.; Miranda, P. S. C. Qualidade do ar e internações

por doenças respiratórias em crianças no município de Divinópolis, Estado de Minas Gerais.
Acta Scientiarum. Health Sciences. v. 32, n. 2, p. 185-189, Maringá, 2010.

CALDEIRA, A.M.; MACHADO, M.A.S.; SOUZA, R.C.; TANSCHEIT, R. OLIVEIRA

JUNIOR, A.H (Coord.). 2007; Inteligência computacional aplicada à administração,
economia e engenharia em Matlab®. São Paulo: Tomson Learning, 2007.

CANÇADO, J.E.D.; BRAGA, A.; PEREIRA, L.A.A.; ARBEX, M.A.; SALDIVA, P.H.N.;
SANTOS, U.P. Repercursões clínicas da exposição à poluição atmosférica. J. Bras.
Pneumol. 2006; 32(Supl 1):S5-S11.2006.
 101

CARMO, C.N.; HACON, S.; LONGO, K.M. FREITAS, S.; IGNOTTI, E.; LEON, A.P.;
ARTAXO, P. Associação entre material particulado de queimadas e doenças respiratórias na
região sul da Amazônia brasileira. Rev. Panam Salud Publica. 2010;27(1):10-6.

CARPENTER, G. A.; GROSSBERG, S. A Self-organizing Neural Network for Supervised

Learning, Recognition and Prediction: Can neural networks learn to recognize new objects
without forgetting familiar ones? IEEE Communications Magazine. September, 1992.

CARVALHO, L. F.; NASSAR, S.M.; AZEVEDO, F. M.; CARVALHO, H. J. T.; RECH. C.

M. Z.; MONTEIRO, L .L. Metodologia de aprendizagem para Sistemas Neuro-difusos.
Iniciação Científica: PIBIC/UPF, 2006.

CASTANHO, M.J.P. Sistema neuro-fuzzy para prognóstico de câncer de próstata.

Biomatemática 17 (2007), 11-20. IMECC-UNICAMP.

CASTRO, H. A.; GOUVEIA, N.; CEJUDO, J. A. E. Questões metodológicas para a

investigação dos efeitos da poluição do ar na saúde. Rev. Bras. Epidemiol. v.6, n.2, 2003.

CASTRO, H. A.; CUNHA, M. F.; MENDONÇA, G. A. e S.; JUNGER, W. L., CUNHA-

CRUZ, J.; LEON, A. P.. Efeitos da poluição do ar na função respiratória de escolares, Rio de
Janeiro, RJ. Revista de Saúde Pública, 43(1), 26-34, 2009.

CETESB (Companhia de Tecnologia de Saneamento Ambiental). Relatório de qualidade do ar

no Estado de São Paulo, 2012. São Paulo. Disponível em: <http://www.cetesb.sp.gov.br>.
Acesso em: 31 de março de 2013.

CETESB (Companhia de Tecnologia de Saneamento Ambiental). Informações Básicas sobre

Poluentes. http://www.cetesb.sp.gov.br/ar/Informa??es-B?sicas/21-Poluentes#mp. Acesso 23 junho
2013.

CONAMA- RESOLUÇÃO N.º 003 de 28 de junho de 1990 em

http://www.mma.gov.br/port/conama/res/res90/res0390.html acesso em 01 julho 2013.

DASH, P.K.; MISHRA, S.; SALAMANA, M.M.A.; LIEW, A.C. Classification of Power
System Disturbances Using a Fuzzy Expert System and a Fourier Linear Combiner.
IEEE Transaction on power delivery, vol. 15. n.2. p. 472-47, april, 2000.

Diretrizes da Sociedade Brasileira de Pneumologia e Tisiologia para o Manejo da Asma. J

Bras Pneumol. v.38, Suplemento 1, p.S1-S46 Abril. 2012.

FARAWAY, J.J. Practical regression and anova using R. 1999.

FERNANDES, J. S.; CARVALHO, A. M.; CAMPOS, D. J. F.; COSTA, L. O. BRASILEIRO

FILHO, G. Poluição atmosférica e efeitos respiratórios, cardiovasculares e reprodutivos na
saúde humana. Rev. Med. Minas Gerais. 20(1): 92-101. 2010.
 102

FERNANDES, A. P. S. Sistema Especialista Difuso de Apoio ao Aprendizado do

Traumatismo Dento-Aveolar Utilizando Recursos Multimídia. (Dissertação de mestrado)
Florianópolis: Universidade Federal de Santa Catarina, 1997.

FERREIRA, L.; YANAGI JUNIOR, T.; LOPES, A.Z.; LACERDA, W.S. Desenvolvimento
de uma rede neuro-fuzzy para predição da temperatura retal de frangos de corte.
Departamento de Engenharia, Universidade Federal de lavras (UFLA), MG, Brasil, 2010.

FULLÉR, R. Neural Fuzzy Systems. Abdo Akademi University, 1995.

GALVÃO, M. G. A.; SANTOS, M. A. R. Pneumonia na infância. Pulmão RJ 2009; Supl;

1:545-549, S45.2009.

GIODA, A.; GIODA, F. R.. A influência da qualidade do ar nas doenças respiratórias. Health
and Environment Journal. v. 7, n. 1, jun. 2006.

GOMES, M. J. M. Ambiente e pulmão. I. Pneumol. 28(5) – set-out. 2002.

GOOGLE Mapas. http://maps.google.com.br. Acesso em 2 julho 2013.

GOUVEIA, N.; FLETCHER, T. Respiratory diseases in children and outdoor air pollution in
São Paulo, Brazil: a time series analysis. Occup Environ Med, n. 57, p. 477-83, 2000b.

GOUVEIA, N.; FLETCHER, T. Time series analysis of air pollution and mortality: effects by
cause, age and socioeconomic status. J Epidemiol Comm Health,n. 54, p. 750-5, 2000a.

GOUVEIA, N.; MENDONÇA, G. A.; LEON, A. P.; CORREIA, J. E.; JUNGER, W. L.;
FREITAS, C. U. DAUMAS, R.P.; MARTINS, L.C.; GIUSSEPE, L.; CONCEIÇÃO, G.M.S.;
MANERICH,A.; CUNHA-CRUZ, J. Poluição do ar e efeitos na saúde nas populações de
duas grandes metrópoles brasileiras. Epidemiol Serv Saúde, n. 12,(1) p. 29-40, 2003.

HAYKIN, Simon. Redes Neurais: Princípios e Prática. 2 ed , Porto Alegre: Bookman, 2001.

HUAMANÍ, I.R.L. Redes Neurais Fuzzy Aplicadas em Identificação e Controle de

Sistemas. (Dissertação) Faculdade de Engenharia Elétrica e de Computação da Universidade
Estadual de Campinas, Departamento de Engenharia de Computação e Automação Industrial,
2003.

IYODA, E. M. Inteligência Computacional no Projeto Automático de Redes Neurais

Híbridas e Redes Neuro-fuzzy Heterogêneas. 176 p. (Tese de Doutorado em Engenharia
Elétrica) Faculdade de Engenharia Elétrica e de Computação. Departamento de Engenharia de
Computação e Automação Industrial. Campinas: Universidade Estadual de Campinas, 2000.

JACINTHO, L. F. O. Redes Neuro-Fuzzy: Um Estudo de Caso em Diagnóstico de

Alzheimer. 60f. (Monografia). Centro de Matemática, Computação e Cognição da
Universidade Federal do ABC. 2010.
 103

JAIN, S.; KHARE, M.. Adaptive neuro-fuzzy modeling for prediction of ambient CO
concentration at urban intersections and roadways. Air Qual Atmos Health, 3:203–212,
2010.

JANG, J .S. R.; SUN, C. T.; MIZUTANI, E. Neuro-fuzzy and soft computing: a
computacional approach to learning and machine intelligence. Upper Saddle River, NJ:
Prentice Hall Inc. 1997.

JANG, J.S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. Department of

Eletrictal Engineering and Computer Science University of California, Berkeley, CA 94720.
IEEE Trans on Systems, Man and Cyberneticcs, vol, 23,n. 23, pp. 665-685, May,1993.

KARTALOPOULOS, S. V. Understanding neural network and fuzzy logic. New York:

IEEE, 1996.

KLIR, G. J.; BO, Y.. Fuzzy Sets and fuzzy Logic: theory and applications. Prentice Hall.
1995a.

KLIR, G. J. Fuzzy Logic: Unearthing its meaning and significance. IEEE Potentials. p.10-15,
oct./nov. 1995b.

LEI, K. S.; WAN, F.. Applying Ensemble Learning Techniques to ANFIS for Air Pollution
Index Prediction in Macau. Lecture Notes in Computer Science. V 7367, pp 509-516, 2012.

LIN, C. A.; PEREIRA, L. A. A.; BRAGA, A. L. F.; CONCEIÇÃO, G. M. S.; KISHI, H. S.;
MILANI, R. et al. Association between air pollution and ischemic cardiovascular emergency
room visits. Env Res n. 92, p. 53-63, 2003.

LIN, Y.; CUNNINGHAM III, G. A. A new approach to fuzzy-neural modelling, IEEE

Transactions on Fuzzy Systems, v. 3, n. 2, p. 190-198, 1995.

LOESCH, C.; SARI, S. T. Redes neurais artificiais: fundamentos e modelos. Blumenau:

FURB, 1996.

MALANGE, F.C.V. Rede Neuro Fuzzy Wavelet para Detecção e Classificação de

Anolalias de Tensão em Sistemas Elétricos de Potência. 128 p (Tese de Doutorado).
Universidade Estadual Paulista “Júlio de Mesquita Filho”. Campus de Ilha Solteira: SP, Abril,
2010.

MALUTTA, C. Método de apoio à tomada de decisão sobre adequação de aterros

sanitários utilizando a Lógica Fuzzy. 221 p. (Tese) Engenharia de Produção de Pós-
Graduação em Engenharia de Produção da Universidade Federal de Santa Catarina.
Florianópolis, 2004.
 104

MARTINS, L.C.; LATORRE, M.R.D.O.; CARDOSO, M.R.A.; GONÇALVES, F.L.T.;

SALDIVA, P.H.N.; BRAGA, A.L.F. Poluição atmosférica e atendimento por pneumonia e
gripe em São Paulo, Brasil. Rev. Saúde Pública. 36(1): 88-94. 2002. Disponível em:
www.fsp.usp.br/rsp. Acesso em 12 ago. 2012.

MASSAD, E.; ORTEGA, N. R. S.; BARROS, L. C.; STRUCHINER, C. J.. Fuzzy Logic in
Action: Applications in Epidemiology and Beyond. Applications in Epidemiology and
Beyond (Studies in Fuzziness and Soft Computing). Springer; 1 edition, Feb, 2009.

MATLAB, Fuzzy Logic Toolbox R2012b, User´s Guide, 2012.

MCCULLOCH, W. S.; PITTS, W. H. A logical calculus of the ideas immanent in nervous

activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943.

MENDONÇA, F. Aspectos da Interação clima-Ambiente-Saúde Humana: Da relação

Sociedade-Natureza à (in) sustentabilidade ambiental. R.RA’EGA, Curitiba: Editora da
UFPR, n. 4, p. 85-99, 2000.

MONARD, M.C.; BARANAUSKAS, J.A.. Aplicação de Inteligência Artificial: Uma Visão

Geral. Instituto de Ciências Matemáticas e de Computação de São Carlos. São Carlos:
Universidade São Paulo, 2000.

MOTTA, R. S.; MENDES, A.P.F.; Custos de Saúde associados à poluição do ar no Brasil.

Pesq. Plan. Econ., Rio de Janeiro, v.25, n. 1, p.165-198, abr. 1995.

MOURA, A.O.; ANDRADE, D.S.; KIKUCHI,W.K. Inteligência Artificial Aplicada no

Auxílio a Tomadas de Decisões na área de Saúde. II Simpósio de excelência em Gestão e
Tecnologia – SEGeT12005. 2005.

NASCIMENTO, L. F. C.; MOREIRA, D. A. Are environmental pollutants risk factors for

low birth weight? Cad. Saúde Pública, Rio de Janeiro, 25(x): 1-6. 2009.

NASCIMENTO, L. F. C.; PEREIRA, L. A.; BRAGA, A. L. F.; MÓDOLO, M. C.;

CARVALHO, J. A. Efeitos da poluição atmosférica na saúde infantil em São José dos
Campos, SP. Rev. Saúde Pública, n. 40, p. 77-82, 2006.

NAUCK, D.; KRUSE, R. Neuro-Fuzzy systems for function approximation. Fuzzy Sets and
Systems 101 261-271, Faculty of Computer Science, Elsevier Science B.V. 1997.

NEGNEVITSKY, M. Artificial Intelligence A Guide to Intelligent System. Second Edition.

Pearson Education Limited. 2005.

NICODEMOS, R.M.; LIRA, T.S.; BARROZO, M.A.S.; GUIMARÃES, E.C. Estudo da

relação entre concentração em MP10 e Doenças Respiratórias na cidade de Uberlândia-MG,
VIII Congresso Brasileiro de Engenharia Química em Iniciação Científica. 27 a 30 de
julho de 2009, Uberlândia, Minas Gerais, Brasil.
 105

NINOMIYA, M. P., Utilização do sistema Neuro-Fuzzy (ANFIS) para estimação do peso

ao nascer. Relatório Bolsa PAE, UNESP - Guaratinguetá-SP, 2008.

NISHIDA, W. Uma rede neural artificial para classificação de imagens multiespectrais

de sensoriamento remoto. Florianópolis, 1998. Dissertação (Mestrado em PPGEP) -
Universidade Federal de Santa Catarina – UFSC.

NOORI, R.; HOSHYARIPOUR, G.; ASHRAFI, K.; ARAABI, B. N..Uncertainty analysis of

developed ANN and ANFIS models in prediction of carbon monoxide daily concentration.
Atmospheric Environment. 44; 476-482, 2010.

O'CONNOR, G. T.; NEAS, L.; VAUGHN, B.; KATTAN, M.; MITCHELL, H.; CRAIN, E.
F.; EVANS III, R.; GRUCHALLA, R.; MORGAN, W.; STOUT, J.; ADAMS, G. K.;
LIPPMANN, M. Acute respiratory health effects of air pollution on children with asthma in
US inner cities. U.S. Environmental Protection Agency Papers. Paper 12. 2008.

OPAS, Mudanças climáticas e ambientais e seus efeitos na saúde: cenários e incertezas

para o Brasil, 2008.

ORTEGA, N. R. S. Aplicação da Teoria dos Conjuntos Fuzzy a Problemas de

Biomedicina. Tese (Doutorado) Universidade de São Paulo, Instituto de Física, SP: 2001.
Disponível em: http://www.ime.usp.br/~tonelli/verao-fuzzy/neli/principal.pdf. Acesso em:
08/10/2012

OSÓRIO, F. Redes Neurais – Aprendizado Artificial. Forum de I.A. 1999.

PEREIRA, B. B.; RODRIGUES, C. V. Redes Neurais em Estatística. In: SIMPOSIO

NACIONAL DE PROBABILIDADE E ESTATÍSTICA, 13°, 1998. Anais... [S.l.:s.n.] 1998.

PEREIRA, L. A. A.; LOOMIS, D.; CONCEIÇÃO, G. M. S.; BRAGA, A. L. F.; ARCAS, R.

M.; KISHI, H. et al. Association between air pollution and intrauterine mortality in São
Paulo, Brazil. Environ Health Perspect, n. 106, p. 325-9, 1998.

PITTON, S.E.C.P. ; DOMINGOS, A.E. Tempo e Doenças: Efeitos dos Parâmetros Climáticos
nas crises Hipertensivas nos moradores de Santa Gertrudes-SP, Estudos Geográficos, Rio
Claro, 2(1):75-86, junho-2004. Disponível em
www.rc.unesp.br/igce/grad/geografia/revista.htm. Acesso em: 18 jul. 2012.

RAMOS, P.G. Uma investigação das Redes Neuro-Fuzzy aplicadas à Mineração de

Dados. Universidade Federal de Pernambuco. Recife: Centro de Ciências Exatas e da
Natureza. Departamento de Informática, 1999.

REZENDE, S.O. Sistemas inteligentes: fundamentos e aplicações. Baueri/SP: Manole, 2005.

RODRÍGUEZ. A. A. Z. IA 353- Redes Neurais: Previsão de Demanda de Energia Elétrica

usando Redes Neurais Adaptativas y Regras Nebulosas. 27 p. (Relatório de Projeto)
 106

Faculdade de Engenharia Elétrica e de Computação. Campinas: Universidade Estadual de

Campinas, 2003.

SALDANHA, C. T.; SILVA, A. M. C. da.; BOTELHO, C. Variações climáticas e uso de

serviços de saúde em crianças asmáticas menores de cinco anos de idade: um estudo
ecológico. J Bras Pneumol. n. 31, p. 492-498, 2005.

SALDIVA, P. Nossos doentes pneumopatas e a poluição atmosférica. J. Bras. Pneumol.

2008:34(1): 1.

SALDIVA, P. H. N.; POPE, C. A.; SCHWARTZ, J.; DOCKERY, D. W.; LICHTENFELS,

A. J.; SALGE, J. M. et al. Air pollution and mortality in elderly people: a time-series study in
São Paulo, Brazil. Archives of Environmental Health, n. 50 (2), p. 159-63, 1995.

SALES, G.K.; MARTINS, L.A. Poluição Atmosférica e Doenças respiratórias em Juiz de

Fora-MG. Enciclopédia Biofesfera, n. 01, 11p. 2005.

SANDRI, S.; CORREA, C. Lógica Nebulosa. V Escola de Redes, Promoção: Conselho

Nacional de Redes Neurais. PP. C073-c090. São José dos Campos: ITA. 19 de jul. 1999.

SAVIC, M.; MIHAJLOVIC, I.; ŽIVKOVIC, Ž.. An ANFIS – Based Air Quality Model For
Prediction of SO2 Concentration in Urban Area. Serbian Journal of Management. 8 (1).
2013.

SCHWALBERT, M. A. Metodologias de aprendizagem de máquina utilizando redes

neurais artificiais. 114 p. (TCC de Ciência da Computação) Instituto de Ciências Exatas e
Geociências. Passo Fundo: Universidade de Passo Fundo, 2007.

SILVA, A. M. C.; MATTOS, I. E.; FREITAS, S. R.; LONGO, K. M.; HACON, S. S.

Material particulado (PM 2.5) de queima de biomassa e doenças respiratórias no sul da
Amazônia brasileira. Rev. bras. epidemiol., São Paulo, v. 13, n. 2, jun. 2010 .

STOCCO, C. ; LEITE, M.L.; LABIAK, M.L.; VIRGENS FILHO, J.S.; NASCIMENTO, E.

Influência de Variáveis Climáticas sobre a Inciência de Meningite e sua Distribuição Espacial
no Município de Ponta Grossa-PR 2001-2005. Saúde Soc. São Paulo, v.19, n. 1, p.84-93,
2010.

STONE, V. Environmental air pollution. Am J Respir Crit Care Med, 162:S47, 2000.

TADANO, Y. S..Simulação da dispersão dos poluentes atmosféricos para aplicação em

análise de impacto. 197p. (Tese de Doutorado). Campinas: Faculdade de Engenharia
Mecânica da Universidade Estadual de Campinas, 2012.

TAKAGI, T.; SUGENO, M. Fuzzy identification of systems and its application to modeling
and control. IEEE Trans. On Systems, Man & Cybernetics, n. 15, p. 116-132, 1985.
 107

TEIXEIRA, R. A.; CORRÊA, M.V.; ASSIS, J.C.O. Redes Neuro-Fuzzy: Algorítmo de

Treinamento e Aplicações. Principiu, Online: Iniciação Científica no Unileste-MG, Coronel
Fabriciano, v.1, n.3, p.152-168. 2007.

TOYOSHIMA, M.T.K.; ITO, G.M.; GOUVEIA, N. Morbidade por doenças respiratórias em

pacientes hospitalizados em São Paulo/SP. Rev. Assoc. Med. Bras., 2005; 51(4):209-13.

WHO- WORLD HEALTH ORGANIZATION, N. H. L. B. I. Global Initiative for Asthma,

1995.

WHO - WORLD HEALTH ORGANIZATION. Health Guidelines for Vegetation Fire

Events. ed. SCHWELA, D.H., GOLDAMMER, J.G., MORAWSKA, L.H., SIMPSON, O.
Geneva, World Health Organization, 1999.

WHO- WORLD HEALTH ORGANIZATION, N. H. L. B. I. Global Initiative for Obstructive

Lung Disease. Executive summary, 2001.

WHO- WORLD HEALTH ORGANIZATION. “Air Quality Guidelines Global Update 2005”. Report
on a working group meeting, Bonn/Germany, 18-20 october .2005.

WINSTON, P. H. “Artificial intelligence”, Addison-Wesley, Massachusetts, third edition,

1992.

YILDIRIM, Y.; BAYRAMOGLU, M.. Adaptive neuro-fuzzy based modelling for prediction
of air pollution daily levels in city of Zonguldak. Chemosphere. 63, 1575–1582, 2006.

ZADEH, L. A. Generalizes theory of uncertaintanty (CTU) – principal conceptions and ideas.

Computacional Statistics & Data Analysis 51 (2006) 16-46. 2006.

ZADEH, L. A. Fuzzy Sets. Information Control. v. 8, p. 338-353, 1965.

ZAMORANO, A.; MÁRQUEZ, S. ARÁNGUIZ, J.L.; BEDREGAL, P.; SÁCNCHEZ, I.

Relación entre bronquiolitis aguda com factores climaticos y contaminación ambiental. Rev.
Med. Chile. 131:1117-1122. 2003.

www.din.uem.br/ia/intelige/neurofuzzy/. Acesso em 2 julho 2013.

www.who.int/features/factfiles/asthma/asthma_facts/es/index.html. Acesso em 25 agosto 2013.

 108

ANEXO A- NOVOS PADRÕES PRIMÁRIOS E SECUNDÁRIOS DA OMS-2012

Instituto de Energia e Meio Ambiente (2012)

 109

ANEXO B- PADÕES PRIMÁRIOS E SECUNDÁRIOS DO AR- CETESB

 110

ANEXO C- FÓRMULA PARA CALCULAR A TEMPERATURA APARENTE

Dada a Temperatura T (°C) e a Umidade Relativa UR (%), é a seguinte a fórmula de cálculo

do ponto de orvalho To (°C):
 111

ANEXO D- ROTINA DDEINIT DO MATLAB PARA GERAR SAÍDA NUMÉRICA

 112

ANEXO E- SIMULAÇÕES DO MODELO NEURO-FUZZY

N˚ MF Tipo MF N Épocas erro teste chec correl

2222 trimf 570 2.6927 3.0605 2.0353 0.35
trapmf 828 2.6713 3.3371 2.1332 0.28
gbellmf 1240 2.5364 3.3725 2.1162 0.44
gaussmf 4.704 2.5614 3.1766 3.0248 0.36

3222 trimf 2.134 2.4775 4.2812 3.7708 0.34

trapmf 344 2.7124 4.1070 2.7095 0.22
gbellmf 1.240 2.4440 3.7738 2.9264 0.36
gaussmf 3.590 2.4429 4.6656 2.7219 0.32

2223 trimf 152 2.6042 3.4351 2.3259 0.28

trapmf 522 2.5799 3.4867 2.1957 0.28
gbellmf 780 2.4462 3.1615 2.2245 0.37
gaussmf 369 2.4914 3.5417 2.4095 0.43

3332 trimf 1.972 2.5270 22.3735 24.2925 0.14

trapmf 48 2.8981 87.4517 81.9314 0.10
gbellmf 708 2.5227 26.6468 57.4557 0.15
gaussmf 3.777 2.3971 10.7002 13.767 0.25

3333 trimf 335 2.5389 30.3070 18.1581 0.19

trapmf 98 2.6734 8.2933 18.419 -0.02
gbellmf 2.468 1.9881 63.5317 12.2535 0.10
gaussmf 922 2.2663 44.5234 46.2084 0.02

4333 trimf 708 2.2881 55.7652 68.5957 0.23

trapmf 6 2.5072 12.9372 7.4632 0.08
gbellmf 1.868 1.6797 15.2566 14.5328 0.08
gaussmf 860 2.0595 28.8641 19.1329 -0.07